神經(jīng)網(wǎng)絡(luò)在設(shè)置的神經(jīng)網(wǎng)絡(luò)足夠復(fù)雜的情況下，可以無限逼近一段非線性連續(xù)函數(shù)，但是如果神經(jīng)網(wǎng)絡(luò)設(shè)置的足夠復(fù)雜，將會導(dǎo)致過擬合（overfitting）的出現(xiàn)，就好像下圖這樣。

看到這個藍色曲線，我就知道：

很明顯藍色曲線是overfitting的結(jié)果，盡管它很好的擬合了每一個點的位置，但是曲線是歪歪曲曲扭扭捏捏的，這個的曲線不具有良好的魯棒性，在實際工程實驗中，我們更希望得到如黑色線一樣的曲線。

tf.nn.dropout函數(shù)介紹

tf.nn.dropout是tensorflow的好朋友，它的作用是為了減輕過擬合帶來的問題而使用的函數(shù)，它一般用在每個連接層的輸出。

Dropout就是在不同的訓(xùn)練過程中，按照一定概率使得某些神經(jīng)元停止工作。也就是讓每個神經(jīng)元按照一定的概率停止工作，這次訓(xùn)練過程中不更新權(quán)值，也不參加神經(jīng)網(wǎng)絡(luò)的計算。但是它的權(quán)重依然存在，下次更新時可能會使用到它。

def dropout(x, keep_prob, noise_shape=None, seed=None, name=None)

x 一般是每一層的輸出

keep_prob，保留keep_prob的神經(jīng)元繼續(xù)工作，其余的停止工作與更新

在實際定義每一層神經(jīng)元的時候，可以加入dropout。

def add_layer(inputs,in_size,out_size,n_layer,activation_function = None,keep_prob = 1):
    layer_name = 'layer%s'%n_layer
    with tf.name_scope(layer_name):
        with tf.name_scope("Weights"):
            Weights = tf.Variable(tf.random_normal([in_size,out_size]),name = "Weights")
            tf.summary.histogram(layer_name+"/weights",Weights)
        with tf.name_scope("biases"):
            biases = tf.Variable(tf.zeros([1,out_size]) + 0.1,name = "biases")
            tf.summary.histogram(layer_name+"/biases",biases)
        with tf.name_scope("Wx_plus_b"):
            Wx_plus_b = tf.matmul(inputs,Weights) + biases
            #dropout一般加載每個神經(jīng)層的輸出
            Wx_plus_b = tf.nn.dropout(Wx_plus_b,keep_prob)
            #看這里看這里，dropout在這里。
            tf.summary.histogram(layer_name+"/Wx_plus_b",Wx_plus_b)
        if activation_function == None :
            outputs = Wx_plus_b 
        else:
            outputs = activation_function(Wx_plus_b)
        tf.summary.histogram(layer_name+"/outputs",outputs)
        return outputs

但需要注意的是，神經(jīng)元的輸出層不可以定義dropout參數(shù)。因為輸出層就是輸出的是結(jié)果，在輸出層定義參數(shù)的話，就會導(dǎo)致輸出結(jié)果被dropout掉。

例子

本次例子使用sklearn.datasets，在進行測試的時候，我們只需要改變最下方keep_prob:0.5的值即可，1代表不進行dropout。

代碼

import tensorflow as tf
from sklearn.datasets import load_digits
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import LabelBinarizer
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 = 500)
def add_layer(inputs,in_size,out_size,n_layer,activation_function = None,keep_prob = 1):
    layer_name = 'layer%s'%n_layer
    with tf.name_scope(layer_name):
        with tf.name_scope("Weights"):
            Weights = tf.Variable(tf.random_normal([in_size,out_size]),name = "Weights")
            tf.summary.histogram(layer_name+"/weights",Weights)
        with tf.name_scope("biases"):
            biases = tf.Variable(tf.zeros([1,out_size]) + 0.1,name = "biases")
            tf.summary.histogram(layer_name+"/biases",biases)
        with tf.name_scope("Wx_plus_b"):
            Wx_plus_b = tf.matmul(inputs,Weights) + biases
            Wx_plus_b = tf.nn.dropout(Wx_plus_b,keep_prob)
            tf.summary.histogram(layer_name+"/Wx_plus_b",Wx_plus_b)
        if activation_function == None :
            outputs = Wx_plus_b 
        else:
            outputs = activation_function(Wx_plus_b)
        tf.summary.histogram(layer_name+"/outputs",outputs)
        return outputs
def compute_accuracy(x_data,y_data,prob = 1):
    global prediction
    y_pre = sess.run(prediction,feed_dict = {xs:x_data,keep_prob:prob})
    correct_prediction = tf.equal(tf.arg_max(y_data,1),tf.arg_max(y_pre,1))
    accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32))
    result = sess.run(accuracy,feed_dict = {xs:x_data,ys:y_data,keep_prob:prob})
    return result
keep_prob = tf.placeholder(tf.float32)
xs = tf.placeholder(tf.float32,[None,64])
ys = tf.placeholder(tf.float32,[None,10])
l1 = add_layer(xs,64,100,'l1',activation_function=tf.nn.tanh, keep_prob = keep_prob)
l2 = add_layer(l1,100,100,'l2',activation_function=tf.nn.tanh, keep_prob = keep_prob)
prediction = add_layer(l1,100,10,'l3',activation_function = tf.nn.softmax, keep_prob = 1)
with tf.name_scope("loss"):
    loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=ys,logits = prediction),name = 'loss')
    tf.summary.scalar("loss",loss)
train = tf.train.AdamOptimizer(0.01).minimize(loss)
init = tf.initialize_all_variables()
merged = tf.summary.merge_all()
with tf.Session() as sess:
    sess.run(init)
    train_writer =  tf.summary.FileWriter("logs/strain",sess.graph)
    test_writer = tf.summary.FileWriter("logs/test",sess.graph)
    for i in range(5001):
        sess.run(train,feed_dict = {xs:X_train,ys:Y_train,keep_prob:0.5})
        if i % 500 == 0:
            print("訓(xùn)練%d次的識別率為：%f。"%((i+1),compute_accuracy(X_test,Y_test,prob=0.5)))
            train_result = sess.run(merged,feed_dict={xs:X_train,ys:Y_train,keep_prob:0.5})
            test_result = sess.run(merged,feed_dict={xs:X_test,ys:Y_test,keep_prob:0.5})
            train_writer.add_summary(train_result,i)
            test_writer.add_summary(test_result,i)

keep_prob = 0.5

訓(xùn)練結(jié)果為：

訓(xùn)練1次的識別率為：0.086000。
訓(xùn)練501次的識別率為：0.890000。
訓(xùn)練1001次的識別率為：0.938000。
訓(xùn)練1501次的識別率為：0.952000。
訓(xùn)練2001次的識別率為：0.952000。
訓(xùn)練2501次的識別率為：0.946000。
訓(xùn)練3001次的識別率為：0.940000。
訓(xùn)練3501次的識別率為：0.932000。
訓(xùn)練4001次的識別率為：0.970000。
訓(xùn)練4501次的識別率為：0.952000。
訓(xùn)練5001次的識別率為：0.950000。

這是keep_prob = 0.5時tensorboard中的loss的圖像：

keep_prob = 1

訓(xùn)練結(jié)果為：

訓(xùn)練1次的識別率為：0.160000。
訓(xùn)練501次的識別率為：0.754000。
訓(xùn)練1001次的識別率為：0.846000。
訓(xùn)練1501次的識別率為：0.854000。
訓(xùn)練2001次的識別率為：0.852000。
訓(xùn)練2501次的識別率為：0.852000。
訓(xùn)練3001次的識別率為：0.860000。
訓(xùn)練3501次的識別率為：0.854000。
訓(xùn)練4001次的識別率為：0.856000。
訓(xùn)練4501次的識別率為：0.852000。
訓(xùn)練5001次的識別率為：0.852000。

這是keep_prob = 1時tensorboard中的loss的圖像：