数据结构
网络
关系数据库管理系统 (RDBMS)
操作系统
Java
MS Excel
iOS
HTML
CSS
Android
Python
C语言编程
C++
C#
MongoDB
MySQL
Javascript
PHP
物理学
化学
生物学
数学
英语
经济学
心理学
社会研究
时尚研究
法律研究如何在TensorFlow中使用dropout来减少过拟合？
TensorFlow可以使用dropout技术来减少过拟合，该技术创建一个包含重缩放层和增强数据的顺序模型。
阅读更多： 什么是TensorFlow以及Keras如何与TensorFlow一起创建神经网络？
我们将使用Keras Sequential API，它有助于构建顺序模型，用于处理简单的层堆栈，其中每一层只有一个输入张量和一个输出张量。
包含至少一层卷积层的神经网络被称为卷积神经网络。我们可以使用卷积神经网络来构建学习模型。
使用keras.Sequential模型创建一个图像分类器，并使用preprocessing.image_dataset_from_directory加载数据。数据可以有效地从磁盘加载。识别过拟合并应用技术来缓解它。这些技术包括数据增强和dropout。共有3700张花卉图片。该数据集包含5个子目录，每个子目录对应一个类别。
分别是雏菊、蒲公英、玫瑰、向日葵和郁金香。
我们使用Google Colaboratory运行以下代码。Google Colab或Colaboratory帮助在浏览器上运行Python代码，无需任何配置，并可免费访问GPU（图形处理单元）。Colaboratory构建在Jupyter Notebook之上。
当训练样本数量较少时，模型会从训练样本中的噪声或不需要的细节中学习。这会对模型在新样本上的性能产生负面影响。
由于过拟合，模型将无法在新数据集上很好地泛化。有许多方法可以避免过拟合。我们可以使用dropout技术来克服过拟合。通过在网络中引入dropout可以减少过拟合。这被认为是一种正则化形式。这有助于模型接触到更多的数据方面，从而帮助模型更好地泛化。
当将dropout应用于一层时，在训练过程中会随机丢弃该层中的多个输出单元。这是通过将激活函数设置为0来实现的。dropout技术采用分数作为输入值（例如0.1、0.2、0.4等）。这个数字0.1或0.2基本上表示从应用层随机丢弃10%或20%的输出单元。
数据增强通过使用随机变换来增强现有示例，从而从现有示例生成额外的训练数据，这些变换将产生看起来可信的图像。以下是一个示例
示例
print("The dropout technique to reduce overfitting")
model = Sequential([
data_augmentation,
layers.experimental.preprocessing.Rescaling(1./255),
layers.Conv2D(16, 3, padding='same', activation='relu'),
layers.MaxPooling2D(),
layers.Conv2D(32, 3, padding='same', activation='relu'),
layers.MaxPooling2D(),
layers.Conv2D(64, 3, padding='same', activation='relu'),
layers.MaxPooling2D(),
layers.Dropout(0.2),
layers.Flatten(),
layers.Dense(128, activation='relu'),
layers.Dense(num_classes)
])代码来源 −https://tensorflowcn.cn/tutorials/images/classification
输出
The dropout technique to reduce overfitting
解释
- 使用layers.Dropout创建神经网络。
- 创建具有三层的顺序模型。
- 下一步是使用增强图像训练此数据集。
浏览量：199
