TensorFlow之tf.nn.dropout()：防止模型训练过程当中的过拟合问题

一：适用范围：

　　tf.nn.dropout是TensorFlow里面为了防止或减轻过拟合而使用的函数，它通常用在全链接层

二：原理：

　　dropout就是在不一样的训练过程当中随机扔掉一部分神经元。也就是让某个神经元的激活值以必定的几率p，让其中止工做，此次训练过程当中不更新权值，也不参加神经网络的计算。可是它的权重得保留下来（只是暂时不更新而已），由于下次样本输入时它可能又得工做了

三：函数介绍：

　　tf.nn.drop(x,  keep_prob, noise_shape=None, seed=None,name=None)

　　x:  输入值

　　keep_prob: float类型，每一个元素被保留下来的几率

　　noise_shape: 一个1维的int32张量，表明了随机产生“保留/丢弃”标志的shape

四：举例说明：

# -*- coding: utf-8 -*-
# @Time    : 18-5-27 下午3:34
# @Author  : payneLi
# @Email   : lph0729@163.com
# @File    : tf_nn_dropout.py

import tensorflow as tf
import numpy as np

"""
测试Tensor通过dropout()的效果：
    1.输入与输出的Tensor的shape相同；
    2.随机使某些元素值为0,非零元素为：对应值/keep_prob
"""
dropout = tf.placeholder(tf.float32)
x = tf.reshape(np.array(range(36), dtype=np.float32), [6, 6])
y = tf.nn.dropout(x, dropout)
print(x, y)

init = tf.global_variables_initializer()
with tf.Session() as sess:
    sess.run(init)
    print(sess.run(x))
    print(sess.run(y, feed_dict={dropout: 0.5}))

----> 运行结果：
　　x :

　　　　[[ 0. 1. 2. 3. 4. 5.]
　　　　[ 6. 7. 8. 9. 10. 11.]
　　　　[12. 13. 14. 15. 16. 17.]
　　　　[18. 19. 20. 21. 22. 23.]
　　　　[24. 25. 26. 27. 28. 29.]
　　　　[30. 31. 32. 33. 34. 35.]]

　　y :　　　

　　　　[[ 0. 0. 4. 6. 8. 0.] 　　　　[ 0. 0. 16. 0. 20. 22.] 　　　　[24. 26. 28. 0. 0. 0.] 　　　　[ 0. 38. 40. 0. 44. 46.] 　　　　[48. 0. 0. 54. 56. 58.] 　　　　[60. 0. 0. 66. 68. 0.]]