上期我们分享了TensorFlow的过拟合与dropout的问题过拟合（Overfitting）与dropout，本期我们来实现如何在TensorFlow中利用代码实现overfiting的问题。
overfiting问题
我们导入sk-learn的数据，来进行本期的训练分析
import tensorflow as tf from sklearn.datasets import load_digits from sklearn.cross_validation import train_test_split from sklearn.preprocessing import LabelBinarizer初始化数据，定义一个测试数据与一个训练数据
digits = load_digits() X = digits.data y = digits.target y = LabelBinarizer().fit_transform(y) X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3)定义层，这些是往期的代码
def add_layer(inputs, in_size, out_size, layer_name, activation_function=None): Weights = tf.Variable(tf.random_normal([in_size, out_size])) biases = tf.Variable(tf.zeros([1, out_size]) + 0.1) Wx_plus_b = tf.matmul(inputs, Weights) + biases Wx_plus_b = tf.nn.dropout(Wx_plus_b, keep_prob) if activation_function is None: outputs = Wx_plus_b else: outputs = activation_function(Wx_plus_b) tf.summary.histogram(layer_name + '/outputs', outputs) return outputs定义 X Y keep_Porb(drop掉的系数)
xs = tf.placeholder(tf.float32, [None, 64]) 添加层 lay_one = add_layer(xs, 64, 50, 'lay_one', activation_function=tf.nn.tanh) 输出层 初始化 init = tf.global_variables_initializer() merged = tf.summary.merge_all()训练TensorFlow，我们搜集一下训练的数据与测试 的数据
with tf.Session() as sess: keep_prob 系数：1是无drop，我们可以使用不同的系数，来对比overfiting的效果 #本期小编使用1 与0.5 的系数对比，通过如下图片可以看出无drop时，2个数据的loss存在明显的差别，当使用0.5的drop时，2个数据的loss几乎完全吻合 if i % 50 == 0: train_result = sess.run(merged, feed_dict={xs: X_train, ys: y_train, keep_prob: 1}) test_result = sess.run(merged, feed_dict={xs: X_test, ys: y_test, keep_prob: 1}) train_writer.add_summary(train_result, i) test_writer.add_summary(test_result, i)存在overfiting
无overfiting
如上很多代码都是往期文章分享过的代码，若有网友不清楚代码意义的，可以看小编往期的文章哟。
私信小编：python资料
可以免费获取python资料哟
下期分享：
关于TensorFlow的基础知识，我们就分享到这里，从下期开始我们开始使用TensorFlow，来分享一下CNN的基本知识与应用。
deep learning
谢谢大家的点赞与转发，关于分享的文章，大家有任何问题，可以在评论区一起探讨学习！！！
本站所发布的文字与图片素材为非商业目的改编或整理，版权归原作者所有，如侵权或涉及违法，请联系我们删除
热门信息
阅读 ()
1 注册微信号怎么注册第二个阅读 ()
2 怎么把照片变成卡通头像阅读 ()
3 手机越充越少电怎么解决