学习笔记08|改进的Mnist手写数字图像识别

Posted 2021-04-07 麻烦催一下我主人学习

交叉熵

tf.nn.softmax_cross_entropy_with_logits(logits, labels, name=None)

参数logits：神经网络最后一层的输出。

参数labels：实际的标签，大小同上。

 

具体的执行流程大概分为两步：

第一步是先对网络最后一层的输出做一个softmax，通常是求取输出属于某一类的概率。对于单样本而言，输出就是一个num_classes大小的向量（[Y1，Y2，Y3...]其中Y1，Y2，Y3...分别代表了是属于该类的概率）

第二步是softmax的输出向量[Y1，Y2，Y3...]和样本的实际标签做一个交叉熵。

其中yi指代实际的标签中第i个的值（用mnist数据举例，如果是3，那么标签是[0，0，0，1，0，0，0，0，0，0]，除了第4个值为1，其他全为0）就是softmax的输出向量[Y1，Y2，Y3...]中第i个元素的值。

显而易见，预测越准确，结果的值越小（别忘了前面还有负号），最后求一个平均，得到我们想要的loss。

注意这个函数的返回值并不是一个数，而是一个向量，如果要求交叉熵，我们要再做一步tf.reduce_sum操作,就是对向量里面所有元素求和。如果求loss，则要做一步tf.reduce_mean操作，对向量求均值。

Dropout

Dropout以概率p舍弃神经元并让其它神经元以概率q=1-p保留。每个神经元被关闭的概率是相同的。

优化器