多层网络通过防止过拟合，增加模型的准确率（04-2）

减小过拟合的几种方法：

 我们建一个三层的网络，并给他加上dropout 测试一下训练20次的准确率

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data

#载入数据集
mnist=input_data.read_data_sets("MNIST_data", one_hot=True)

#每个批次的大小
batch_size=100
#计算一共有多少批次
n_batch=mnist.train.num_examples // batch_size

#定义两个placeholder
x=tf.placeholder(tf.float32,[None,784])
y=tf.placeholder(tf.float32,[None,10])
keep_prob=tf.placeholder(tf.float32)

#创建一个简单的神经网络
W1=tf.Variable(tf.truncated_normal([784,2000],stddev=0.1))   #这里我们使用一个截断的正太分布初始化W
b1=tf.Variable(tf.zeros([1,2000]))
L1=tf.nn.tanh(tf.matmul(x,W1)+b1)   #激活函数为双曲正切函数
L1_drop=tf.nn.dropout(L1, keep_prob)

W2=tf.Variable(tf.truncated_normal([2000,1000],stddev=0.1))
b2=tf.Variable(tf.zeros([1,1000]))
L2=tf.nn.tanh(tf.matmul(L1_drop, W2)+b2)
L2_drop=tf.nn.dropout(L2, keep_prob)

W3=tf.Variable(tf.truncated_normal([1000,10], stddev=0.1))
b3=tf.Variable(tf.zeros([1,10]))
prediction=tf.nn.softmax(tf.matmul(L2_drop,W3)+b3)

#二次代价函数
#loss=tf.reduce_mean(tf.square(y-prediction))
loss=tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y, logits=prediction))
#使用梯度下降法
train_step=tf.train.GradientDescentOptimizer(0.2).minimize(loss)

#初始化变量
init=tf.global_variables_initializer()

#结果存放在一个布尔型列表中
correct_prediction=tf.equal(tf.argmax(y,1), tf.argmax(prediction,1)) #argmax返回一维张量中最大的值所在的位置
#求准确率
accuracy=tf.reduce_mean(tf.cast(correct_prediction,tf.float32))

with tf.Session() as sess:
    sess.run(init)
    for epoch in range(20):
        for batch in range(n_batch):
            batch_xs,batch_ys=mnist.train.next_batch(batch_size)
            sess.run(train_step,feed_dict={x:batch_xs, y:batch_ys,keep_prob:0.5})

        test_acc=sess.run(accuracy,feed_dict={x:mnist.test.images, y:mnist.test.labels,keep_prob:1.0})
        train_acc=sess.run(accuracy,feed_dict={x:mnist.train.images, y:mnist.train.labels,keep_prob:1.0})
        print("Iter"+str(epoch)+",Testing Accuracy "+str(test_acc)+"Training Accuracy "+str(train_acc))

 

 

目录：

1. tensorflow简介、目录
2. tensorflow中的图（02-1）
3. tensorflow变量的使用（02-2）
4. tensorflow中的Fetch、Feed（02-3）
5. tensorflow版helloworld---拟合线性函数的k和b（02-4）
6. tensorflow非线性回归（03-1）
7. MNIST手写数字分类simple版（03-2）
8. 二次代价函数、交叉熵(cross-entropy)、对数似然代价函数（log-likelihood cost）(04-1)
9. 多层网络通过防止过拟合，增加模型的准确率（04-2）
10. 修改优化器进一步提升准确率（04-3）
11. 手写数字识别-卷积神经网络cnn（06-2）
12. 循环神经网络rnn与长短时记忆神经网络简述（07-2）
13. 循环神经网络lstm代码实现（07-3）
14. tensorflow模型保存和使用08
15. 下载inception v3  google训练好的模型并解压08-3
16. 使用inception v3做各种图像分类识别08-4
17. word2vec模型训练简单案例
18. word2vec+textcnn文本分类简述及代码