tensorflow学习（4.loss函数以及正则化的使用）

本文还是以MNIST的CNN分析为例

loss函数一般有MSE均方差函数、交叉熵损失函数，说明见

https://blog.csdn.net/John_xyz/article/details/61211422

另外一部分为正则化部分，这里实际上了解图像的会理解较深，就是防止过拟合的一些方式，符合图像先验的正则化项会给图像恢复带来很大的效果，简单讲神经网络常见的正则化则是

1.对权重加入L2-norm或L1-norm

2.dropout

3.训练数据扩增

可以看

https://blog.csdn.net/u012162613/article/details/44220115

见修改的代码：

#tf可以认为是全局变量，从该变量为类，从中取input_data变量
import tensorflow.examples.tutorials.mnist.input_data as input_data
import tensorflow as tf
#读取数据集
mnist = input_data.read_data_sets("MNIST_data/",one_hot=True)#这里用CNN方法进行训练
#函数定义部分
def weight_variable(shape):initial=tf.truncated_normal(shape,stddev=0.1)#随机权重赋值，不过truncated_normal代表如果是2倍标准差之外的结果重新选取该值return tf.Variable(initial)def bias_variable(shape):initial=tf.constant(0.1,shape=shape)#偏置项return tf.Variable(initial)def conv2d(x,W):return tf.nn.conv2d(x,W,strides=[1,1,1,1],padding='SAME')#SAME表示输出补边，这里输出与输入尺寸一致def max_pool_2x2(x):return tf.nn.max_pool(x,ksize=[1,2,2,1],strides=[1,2,2,1],padding='SAME')#ksize代表池化范围的大小，stride为扫描步长# 这里是变量的占位符，一般是输入输出使用该部分
x=tf.placeholder(tf.float32,[None,784])
y_=tf.placeholder("float",[None,10])
x_image=tf.reshape(x,[-1,28,28,1])#-1表示自动计算该维度
#建立第一层
W_conv1=weight_variable([5,5,1,32])
b_conv1=bias_variable([32])
h_conv1=tf.nn.relu(conv2d(x_image,W_conv1)+b_conv1)
h_pool1=max_pool_2x2(h_conv1)
#第二层
W_conv2=weight_variable([5,5,32,64])
b_conv2=bias_variable([64])
h_conv2=tf.nn.relu(conv2d(h_pool1,W_conv2)+b_conv2)
h_pool2=max_pool_2x2(h_conv2)#第三层，而且这里是全连接层
W_fc1=weight_variable([7*7*64,1024])
b_fc1=bias_variable([1024])h_pool2_flat=tf.reshape(h_pool2,[-1,7*7*64])
h_fc1=tf.nn.relu(tf.matmul(h_pool2_flat,W_fc1)+b_fc1)
#dropout，注意这里也是有一个输入参数的，和x以及y一样
keep_prob=tf.placeholder(tf.float32)
h_fc1_drop=tf.nn.dropout(h_fc1,keep_prob)W_fc2=weight_variable([1024,10])
b_fc2=bias_variable([10])
y_conv=tf.nn.softmax(tf.matmul(h_fc1_drop,W_fc2)+b_fc2)# 评价函数,该部分是今天想要着重说明的部分
# 常用的函数有方差代价函数，交叉熵代价函数
#cross_entropy = tf.nn.softmax_cross_entropy_with_logits(y_conv, y_)为交叉熵的用法，其中y_conv应该是没有经过softmax的，这里的y_conv=tf.matmul(h_fc1_drop,W_fc2)+b_fc2
#具体差异见https://blog.csdn.net/John_xyz/article/details/61211422
#cross_entropy =tf.nn.sparse_softmax_cross_entropy_with_logits（y_conv, y）也是交叉熵，差异在于这里的标签可以认为是排它的
#方差函数：mse = tf.reduce_mean(tf.square(y_- y_conv))
#分类型的优化函数loss = tf.reduce_sum(tf.select(tf.greater(v1,v2),loss1,loss2))，代表v1>=v2时，使用loss1函数，否则使用loss2函数
#应用场景：危险品的鉴别#第二种，抑制过拟合
#常用方法，加入权重L1正则项、L2正则项、dropout、训练数据扩展
#可以参考网址https://blog.csdn.net/u012162613/article/details/44220115
#我们这里使用L2正则化#L2的正则化项，一些具体的细节使用见https://www.jianshu.com/p/6ffd815e2d11
tf.add_to_collection(tf.GraphKeys.WEIGHTS,W_fc1)
tf.add_to_collection(tf.GraphKeys.WEIGHTS,W_fc2)
regularizer = tf.contrib.layers.l2_regularizer(scale=100/50000)#这里需要和你输入的样品数成正比
reg_term = tf.contrib.layers.apply_regularization(regularizer)cross_entropy=-tf.reduce_sum(y_*tf.log(y_conv))+reg_term
train_step=tf.train.AdamOptimizer(1e-4).minimize(cross_entropy)
correct_prediction=tf.equal(tf.argmax(y_conv,1),tf.argmax(y_,1))
accuracy=tf.reduce_mean(tf.cast(correct_prediction,tf.float32))# 启动模型,Session建立这样一个对象，然后指定某种操作，并实际进行该步
init=tf.initialize_all_variables()
sess=tf.Session()
sess.run(init)#数据读取部分
for i in range(1000):batch_xs, batch_ys = mnist.train.next_batch(50)#这里貌似是代表读取50张图像数据#run第一个参数是fetch，可以是tensor也可以是Operation，第二个feed_dict是替换tensor的值'''if i % 10 == 0:train_accuracy = accuracy.eval(feed_dict={x: batch_xs, y_: batch_ys, keep_prob: 0.5})print("step:%d,accuracy:%g" % (i, train_accuracy))'''sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys, keep_prob: 0.5})#sess.run第一个参数是想要运行的位置，一般有train，accuracy，initdeng#第二个参数feed_dict，一般是输入参数，该代码里有x，y以及drop的参数if i%20==0 :print(i)print("train accuracy:%g"%sess.run(accuracy, feed_dict={x: batch_xs, y_: batch_ys, keep_prob: 0.5}))
print("test accuracy:%g"%sess.run(accuracy, feed_dict={x: mnist.test.images, y_: mnist.test.labels, keep_prob: 1}))

运行结果：

和之前的结果对比一下：提高了0.3%，不知道这算不算提高。。。其实在正则项的超参数选择不好时，一般结果会比较差，一些超参数的选择可以见https://blog.csdn.net/u012162613/article/details/44265967

tensorflow学习（4.loss函数以及正则化的使用）相关推荐

关于机器学习 Machine Learning中loss函数参数正则化的一点思考
1 致谢感谢 Andrew Ng教授的讲述! 2 前言今天在学习机器学习中对loss函数中的参数进行正则化~ 3 关于机器学习中loss函数参数正则化在机器学习中,有一项防止过拟合的技巧就是(参 ...
tensorflow分类的loss函数_Tensorflow Keras的loss函数总结
一.二分类与多分类交叉熵损失函数的理解交叉熵是分类任务中的常用损失函数,在不同的分类任务情况下,交叉熵形式上有很大的差别, 二分类任务交叉熵损失函数: 多分类任务交叉熵损失函数: 这两个交叉熵损失函 ...
tensorflow分类的loss函数_Tensorflow入门教程（三十三）——图像分割损失函数FocalLoss...
常见的图像分割损失函数有交叉熵,dice系数,FocalLoss等.今天我将分享图像分割FocalLoss损失函数及Tensorflow版本的复现. 1.FocalLoss介绍 FocalLoss思想 ...
tensorflow学习之常用函数总结：tensorflow官方例子中的诸如tf.reduce_mean()这类函数
前言 tensorflow官网给的例子用到了很多函数,然后并没有具体说明,还要自己去翻文档,有些函数是很常用的,下面来一一总结. 正文一,tensorflow中有一类在tensor的某一维度上求值的 ...
tensorflow分类的loss函数_tensorflow 分类损失函数使用小记
多分类损失函数 label.shape:[batch_size]; pred.shape: [batch_size, num_classes] 使用 tf.keras.losses.sparse_ca ...
tensorflow分类的loss函数_tensorflow中loss函数
交叉熵函数 1)sigmoid_cross_entropy_with_logits(二分类问题) 输入是logits和targets,logits就是神经网络模型中的 W * X矩阵,不需要经过sig ...
tensorflow学习之常用函数总结：tensorflow.placeholder()函数
tensorflow.placeholder()函数 tensorflow.placeholder(dtype, shape=None, name=None) 此函数可以理解为形参,用于定义过程,在执 ...
tensorflow学习之常用函数总结：tensorflow.cast()函数
tensorflow.cast()类型转换函数 tf.cast(x, dtype, name=None) 此函数是类型转换函数参数 x:输入 dtype:转换目标类型 nam ...
tensorflow学习之常用函数总结：tensorflow.argmax()函数
tensorflow.argmax()函数 tf.argmax(input, axis=None, name=None, dimension=None) 此函数是对矩阵按行或列计算最大值参数 inp ...

tensorflow学习（4.loss函数以及正则化的使用）

tensorflow学习（4.loss函数以及正则化的使用）相关推荐

最新文章

热门文章

tensorflow学习（4.loss函数以及正则化的使用 ）

tensorflow学习（4.loss函数以及正则化的使用 ）相关推荐

最新文章

热门文章

tensorflow学习（4.loss函数以及正则化的使用）

tensorflow学习（4.loss函数以及正则化的使用）相关推荐