本文還是以MNIST的CNN分析為例

loss函數(shù)一般有MSE均方差函數(shù)、交叉熵?fù)p失函數(shù)，說明見

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

另外一部分為正則化部分，這里實(shí)際上了解圖像的會理解較深，就是防止過擬合的一些方式，符合圖像先驗(yàn)的正則化項(xiàng)會給圖像恢復(fù)帶來很大的效果，簡單講神經(jīng)網(wǎng)絡(luò)常見的正則化則是

1.對權(quán)重加入L2-norm或L1-norm

2.dropout

3.訓(xùn)練數(shù)據(jù)擴(kuò)增

可以看

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

見修改的代碼：

#tf可以認(rèn)為是全局變量，從該變量為類，從中取input_data變量 import tensorflow.examples.tutorials.mnist.input_data as input_data import tensorflow as tf #讀取數(shù)據(jù)集 mnist = input_data.read_data_sets("MNIST_data/",one_hot=True)#這里用CNN方法進(jìn)行訓(xùn)練 #函數(shù)定義部分 def weight_variable(shape):initial=tf.truncated_normal(shape,stddev=0.1)#隨機(jī)權(quán)重賦值，不過truncated_normal代表如果是2倍標(biāo)準(zhǔn)差之外的結(jié)果重新選取該值return tf.Variable(initial)def bias_variable(shape):initial=tf.constant(0.1,shape=shape)#偏置項(xiàng)return tf.Variable(initial)def conv2d(x,W):return tf.nn.conv2d(x,W,strides=[1,1,1,1],padding='SAME')#SAME表示輸出補(bǔ)邊，這里輸出與輸入尺寸一致def max_pool_2x2(x):return tf.nn.max_pool(x,ksize=[1,2,2,1],strides=[1,2,2,1],padding='SAME')#ksize代表池化范圍的大小，stride為掃描步長# 這里是變量的占位符，一般是輸入輸出使用該部分 x=tf.placeholder(tf.float32,[None,784]) y_=tf.placeholder("float",[None,10]) x_image=tf.reshape(x,[-1,28,28,1])#-1表示自動計(jì)算該維度 #建立第一層 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) #第二層 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)#第三層，而且這里是全連接層 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，注意這里也是有一個輸入?yún)?shù)的，和x以及y一樣 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)# 評價函數(shù),該部分是今天想要著重說明的部分 # 常用的函數(shù)有方差代價函數(shù)，交叉熵代價函數(shù) #cross_entropy = tf.nn.softmax_cross_entropy_with_logits(y_conv, y_)為交叉熵的用法，其中y_conv應(yīng)該是沒有經(jīng)過softmax的，這里的y_conv=tf.matmul(h_fc1_drop,W_fc2)+b_fc2 #具體差異見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，差異在于這里的標(biāo)簽可以認(rèn)為是排它的 #方差函數(shù)：mse = tf.reduce_mean(tf.square(y_- y_conv)) #分類型的優(yōu)化函數(shù)loss = tf.reduce_sum(tf.select(tf.greater(v1,v2),loss1,loss2))，代表v1>=v2時，使用loss1函數(shù)，否則使用loss2函數(shù) #應(yīng)用場景：危險品的鑒別#第二種，抑制過擬合 #常用方法，加入權(quán)重L1正則項(xiàng)、L2正則項(xiàng)、dropout、訓(xùn)練數(shù)據(jù)擴(kuò)展 #可以參考網(wǎng)址https://blog.csdn.net/u012162613/article/details/44220115 #我們這里使用L2正則化#L2的正則化項(xiàng)，一些具體的細(xì)節(jié)使用見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)#這里需要和你輸入的樣品數(shù)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))# 啟動模型,Session建立這樣一個對象，然后指定某種操作，并實(shí)際進(jìn)行該步 init=tf.initialize_all_variables() sess=tf.Session() sess.run(init)#數(shù)據(jù)讀取部分 for i in range(1000):batch_xs, batch_ys = mnist.train.next_batch(50)#這里貌似是代表讀取50張圖像數(shù)據(jù)#run第一個參數(shù)是fetch，可以是tensor也可以是Operation，第二個feed_dict是替換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第一個參數(shù)是想要運(yùn)行的位置，一般有train，accuracy，initdeng#第二個參數(shù)feed_dict，一般是輸入?yún)?shù)，該代碼里有x，y以及drop的參數(shù)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}))

運(yùn)行結(jié)果：

和之前的結(jié)果對比一下：提高了0.3%，不知道這算不算提高。。。其實(shí)在正則項(xiàng)的超參數(shù)選擇不好時，一般結(jié)果會比較差，一些超參數(shù)的選擇可以見https://blog.csdn.net/u012162613/article/details/44265967

總結(jié)

以上是生活随笔為你收集整理的tensorflow学习（4.loss函数以及正则化的使用 ）的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。