本文还是以MNIST的CNN分析为例
loss函数一般有MSE均方差函数、交叉熵损失函数，说明见
/John_xyz/article/details/61211422
另外一部分为正则化部分，这里实际上了解图像的会理解较深，就是防止过拟合的一些方式，符合图像先验的正则化项会给图像恢复带来很大的效果，简单讲神经网络常见的正则化则是
1.对权重加入L2-norm或L1-norm
2.dropout
3.训练数据扩增
可以看
/u012162613/article/details/4425
见修改的代码：
#tf可以认为是全局变量，从该变量为类，从中取input_data变量import tensorflow.examples.tutorials.mnist.input_data as input_dataimport tensorflow as tf#读取数据集mnist = input_data.read_data_sets("MNIST_data/",one_hot=True)#这里用CNN方法进行训练#函数定义部分def weight_variable(shape):initial=tf.truncated_normal(shape,stddev=0.1)#随机权重赋值，不过truncated_normal代表如果是2倍标准差之外的结果重新选取该值return tf.Variable(initial)def bias_variable(shape):initial=tf.constant(0.1,shape=shape)#偏置项return tf.Variable(initial)def conv2d(x,W):return tf.nn.conv2d(x,W,strides=[1,1,1,1],padding='SAME')#SAME表示输出补边，这里输出与输入尺寸一致def max_pool_2x2(x):return tf.nn.max_pool(x,ksize=[1,2,2,1],strides=[1,2,2,1],padding='SAME')#ksize代表池化范围的大小，stride为扫描步长# 这里是变量的占位符，一般是输入输出使用该部分x=tf.placeholder(tf.float32,[None,784])y_=tf.placeholder("float",[None,10])x_image=tf.reshape(x,[-1,28,28,1])#-1表示自动计算该维度#建立第一层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)#第二层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)#第三层，而且这里是全连接层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，注意这里也是有一个输入参数的，和x以及y一样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)# 评价函数,该部分是今天想要着重说明的部分# 常用的函数有方差代价函数，交叉熵代价函数#cross_entropy = tf.nn.softmax_cross_entropy_with_logits(y_conv, y_)为交叉熵的用法，其中y_conv应该是没有经过softmax的，这里的y_conv=tf.matmul(h_fc1_drop,W_fc2)+b_fc2#具体差异见/John_xyz/article/details/61211422#cross_entropy =tf.nn.sparse_softmax_cross_entropy_with_logits（y_conv, y）也是交叉熵，差异在于这里的标签可以认为是排它的#方差函数：mse = tf.reduce_mean(tf.square(y_- y_conv))#分类型的优化函数loss = tf.reduce_sum(tf.select(tf.greater(v1,v2),loss1,loss2))，代表v1>=v2时，使用loss1函数，否则使用loss2函数#应用场景：危险品的鉴别#第二种，抑制过拟合#常用方法，加入权重L1正则项、L2正则项、dropout、训练数据扩展#可以参考网址/u012162613/article/details/4425#我们这里使用L2正则化#L2的正则化项，一些具体的细节使用见/p/6ffd815e2d11tf.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)#这里需要和你输入的样品数成正比reg_term = tf.contrib.layers.apply_regularization(regularizer)cross_entropy=-tf.reduce_sum(y_*tf.log(y_conv))+reg_termtrain_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))# 启动模型,Session建立这样一个对象，然后指定某种操作，并实际进行该步init=tf.initialize_all_variables()sess=tf.Session()sess.run(init)#数据读取部分for i in range(1000):batch_xs, batch_ys = mnist.train.next_batch(50)#这里貌似是代表读取50张图像数据#run第一个参数是fetch，可以是tensor也可以是Operation，第二个feed_dict是替换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第一个参数是想要运行的位置，一般有train，accuracy，initdeng#第二个参数feed_dict，一般是输入参数，该代码里有x，y以及drop的参数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}))
运行结果：
和之前的结果对比一下：提高了0.3%，不知道这算不算提高。。。其实在正则项的超参数选择不好时，一般结果会比较差，一些超参数的选择可以见/u012162613/article/details/44265967
