TensorFlow學習---tf.nn.dropout防止過拟合

一、 Dropout原理簡述：

tf.nn.dropout是TensorFlow裡面為了防止或減輕過拟合而使用的函數，它一般用在全連接配接層。

Dropout就是在不同的訓練過程中随機扔掉一部分神經元。也就是讓某個神經元的激活值以一定的機率p，讓其停止工作，這次訓練過程中不更新權值，也不參加神經網絡的計算。但是它的權重得保留下來（隻是暫時不更新而已），因為下次樣本輸入時它可能又得工作了。示意圖如下：

但在測試及驗證中：每個神經元都要參加運算，但其輸出要乘以機率p。

二、tf.nn.dropout函數說明

tf.nn.dropout(x, keep_prob, noise_shape=None, seed=None,name=None)

上面方法中常用的是前兩個參數：

第一個參數x：指輸入

第二個參數keep_prob: 設定神經元被選中的機率,在初始化時keep_prob是一個占位符, keep_prob = tf.placeholder(tf.float32) 。tensorflow在run時設定keep_prob具體的值，例如keep_prob: 0.5

第五個參數name：指定該操作的名字。

三、使用舉例：

1、dropout必須設定機率keep_prob,并且keep_prob也是一個占位符,跟輸入是一樣的

keep_prob = tf.placeholder(tf.float32)

h_fc1_drop = tf.nn.dropout(h_fc1,keep_prob)

2、train的時候才是dropout起作用的時候,train和test的時候不應該讓dropout起作用

sess.run(train_step, feed_dict={xs: X_train, ys: y_train, keep_prob:

0.5})

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})