79、tensorflow计算一个五层神经网络的正则化损失系数、防止网络过拟合、正则化的思想就是在损失函数中加入刻画模型复杂程度的指标
2017-10-13 11:13
796 查看
''' Created on Apr 20, 2017 @author: P0079482 ''' import tensorflow as tf #获取一层神经网络边上的权重,并将这个权重的L2正则化损失加入名称为'losses'的集合中 def get_weight(shape,lambda1): #生成一个变量 var = tf.Variable(tf.random_normal(shape),dtype=tf.float32) #add_to_collection函数将这个新生成变量的L2正则化损失项加入集合 #这个函数的第一个参数'losses'是集合的名字,第二个参数是要加入这个集合的内容 tf.add_to_collection('losses',tf.contrib.layers.l2_regularizer(lambda1)(var)) #返回生成的变量 return var x = tf.placeholder(tf.float32,shape=(None,2)) y_= tf.placeholder(tf.float32,shape=(None,1)) batch_size=8 #定义了每一层网络中节点的个数、 layer_dimension=[2,10,10,10,1] #神经网络的层数 n_layers=len(layer_dimension) #这个变量维护前向传播时最深层的节点,开始的时候就是输入层 cur_layer=x #当前层的节点个数 in_dimension=layer_dimension[0] #通过一个循环来生成5层全连接的神经网络结构 for i in range(1,n_layers): #layer_dimension[i]为下一层的节点个数 out_dimension=layer_dimension[i] #生成当前层中权重的变量,并将这个变量的L2正则化损失加入计算图上的集合 weight=get_weight([in_dimension,out_dimension],0.001) bias=tf.Variable(tf.constant(0.1,shape=[out_dimension])) #使用ReLU激活函数 cur_layer=tf.nn.relu(tf.matmul(cur_layer,weight)+bias) #进入下一层之前将下一层的节点个数更新为当前层节点个数 in_dimension=layer_dimension[i] #在定义神经网络前向传播的同时已经将所有的L2正则化损失加入了图上的集合 #这里只需要计算刻画模型在训练数据上表现的损失函数 mse_loss=tf.reduce_mean(tf.square(y_-cur_layer)) #将均方误差损伤函数加入损伤集合 tf.add_to_collection('losses',mse_loss) #get_collection返回一个列表,这个列表是所有这个集合中的元素。在这个样例中 #这些元素就是损失函数的不同部分,将它们加起来就可以得到最终的损失函数 loss=tf.add_n(tf.get_collection('losses'))
相关文章推荐
- 79、tensorflow计算一个五层神经网络的正则化损失系数、防止网络过拟合、正则化的思想就是在损失函数中加入刻画模型复杂程度的指标
- 斯坦福大学深度学习公开课cs231n学习笔记(7)神经网络防止数据过拟合:损失函数和正则化
- tensorflow中optimizer如何实现神经网络的权重,偏移等系数的更新和梯度计算
- tensorflow学习笔记二——建立一个简单的神经网络拟合二次函数
- 使用Tensorflow训练神经网络模型---自定义损失函数
- 用tensorflow建造一个简单的神经网络
- TensorFlow识别复杂验证码以及搭建生产环境(5)—— 设计神经网络
- 谷歌神经网络机器翻译NMT:人人可利用TensorFlow快速建立翻译模型
- tensorflow中正则化防止过拟合以及Batch Normalization
- tensorflow构造神经网络拟合数据
- 机器学习中使用「正则化来防止过拟合」到底是一个什么原理?为什么正则化项就可以防止过拟合?
- 深入浅出Tensorflow(三):训练神经网络模型的常用方法
- TensorFlow下构建高性能神经网络模型的最佳实践
- 深度学习与计算机视觉系列(7)_神经网络数据预处理,正则化与损失函数
- 完整神经网络样例程序(TensorFlow,加入偏置项和relu激活函数)(源码)
- 热身:一个基于矩阵的快速计算神经网络输出的方法
- 如何保存训练好的神经网络直接进行测试-TensorFlow模型持久化
- 神经网络如何防止过拟合(总结)
- 使用TensorFlow训练循环神经网络语言模型
- 利用TensorFlow训练简单的二分类神经网络模型