hinton在**《improving neural networks by preventing co-adaptation of feature detectors》中提出了dropout。dropout用來防止神經網路的過擬合。tensorflow中可以通過如下3中方式實現dropout。
tf.nn.dropouwww.cppcns.comt
def dropout(x, keep_prob, noise_shape=none, seed=none, name=none):
其中，x為浮點型別的tensor，keep_prob為浮點型別的scalar，範圍在(0,1]之間，表示x中的元素被保留下來的概率，noise_shape為一維的tensor（int32型別），表示標記張量的形狀（representing the shape for randomly generated keep/drop flags），並且noise_shape指定的形狀必須對x的形狀是可廣播的。如果x的形狀是[k, l, m, n]，並且noise_shape為[k, l, m, n]，那麼x中的每乙個元素是否保留都是獨立，但如果x的形狀是[k, m, n]，並且noise_shape為[k, 1, 1, n]，則x中的元素沿著第0個維度第3個維度以相互獨立的概率保留或者丟棄，而元素沿著第1個維度和第2個維度要麼同時保留，要麼同時丟棄。
關於tensorflow中的廣播機制，可以參考《tensorflow 和 numpy 的 broadcasting 機制探秘》
最終，會輸出乙個與x形狀相同的張量ret，如果x中的元素被丟棄，則在ret中的對應位置元素為0，如果x中的元素被保留，則在ret中對應位置上的值為
，這麼做是為了使得ret中的元素之和等於x中的元素之和。
tf.layers.dropout
def dropout(inputs,
rate=0.5,
noise_shape=none,
seed=none,
training=false,
name=none):
引數inputs為輸入的張量，與tf.nn.dropout的引數程式設計客棧keep_prob不同，rate指定元素被丟棄的概率，如果rate=0.1，則inputs中10%的元素將被丟棄，noise_shape與tf.nn.dropout的noise_shape一致，training引數用來指示當前階段是出於訓練階段還是測試階段，如果training為true（即訓練階段），則會進行dropout，否則不進行dropout，直接返回inputs。
自定義稀疏張量的dropout
上述的兩種方法都是針對dense tensor的dropout，但有的時候，輸入可能是稀疏張量，仿照tf.nn.dropout和tf.layers.dropout的內部實現原理，自定義稀疏張量的dropout。
def sparse_dropout(x, keep_prob, noise_shape):
keep_tensor = keep_prob + tf.random_uniform(noise_shape)
drop_mask = tf.cast(tf.floor(keep_tensor), dtype=tf.bool)
out = tf.sparse_retain(x, drop_mask)
return out * (1.0/keep_prob)
其中，引數x和keep_prob與tf.nn.dropout一致，noise_shape為x中非空元素的個數，如果x中有4個非空值，則noise_shape為[4]，keep_tensor的元素為[keep_prob, 1.0 + keep_prob)的均勻分布，通過tf.floor向下取整得到標記張量drop_mask，tf.sparse_retain用於在乙個 sparsetensor 中保留指定的非空值。
案例def nn_dropout(x, keep_prob, noise_shape):
out = tf.nn.dropout(x, keep_prob, noise_shape)
return out
def layers_dropout(x, keep_prob, noise_shape, training=false):
out = tf.layers.dropout(x, keep_prob, noise_shape, training=training)
return out
def sparse_dropout(x, keep_prob, noise_shape):
keep_tensor = keep_prob + tf.random_uniform(noise_shape)
drop_mask = tf.cast(tf.floor(keep_tensor), dtype=tf.bool)
out = tf.sparse_retain(x, drop_mask)
return out * (1.0/keep_prob)
if __name__ == '__main__':
inputs1 = tf.sparsetensor(indices=[[0, 0], [0, 2], [1, 1], [1, 2]], values=[1.0, 2.0, 3.0, 4.0], dense_shape=[2, 3])
inputs2 = tf.sparse_tensor_to_dense(inputs1)
nn_d_out = nn_dropout(inputs2, 0.5, [2, 3])
layers_d_out = layers_dropout(inputs2, 0.5, [2, 3], training=true)
sparse_d_out = sparse_dropout(inputs1, 0.5, [4])
with tf.session() as sess:
sess.run(tf.global_variables_initializer())
(in1, in2) = sess.run([inputs1, inputs2])
print(in1)
print(in2)
(out1, out2, out3) = sess.run([nn_d_out, layers_d_out, sparse_d_out])
print(out1)
print(out2)
print(out3)
tensorflow中，稀疏張量為sparsetensor，稀疏張量的值為sparsetensorvalue。3種dropout的輸出如下，
sparsetensorvalue(indices=array([[0, 0],
[0, 2],
[1, 1],
[1, 2]], dtype=int64), values=array([ 1., 2., 3., 4.], dtype=float32), dense_shape=array([2, 3], dtype=int64))
[[ 1. 0. 2.]
[ 0. 3. 4.]]
[[ 2. 0. 0.]
[ 0. 0. 0.]]
[[ 0. 0. 4.]
[ 0. 0. 0.]]
sparsetensorvalue(indices=array(, shape=(0, 2), dtype=int64), values=程式設計客棧array(, dtype=float32), dense_shape=array([2, 3], dtype=int64))
Tensorflow中的Lazy load問題
用tensorflow訓練或者inference模型的時候，有時候會遇到執行越來越慢，最終記憶體被佔滿，導致電腦宕機的問題，我們稱之為記憶體溢位。出現這種問題很可能是因為在乙個session中，graph迴圈建立重複的節點所導致的lazy load問題。舉個例子，用tensorflow迴圈做多次加法...
tensorflow中的函式
執行當前tensor的run 操作 a tf.variable tf.ones 10 with tf.session as sess tf.global variables initializer run b sess.run a 1 b a eval 2 print b 中的 1 2 行的功能一樣...
tensorflow中的global step引數
global step在滑動平均 優化器 指數衰減學習率等方面都有用到，這個變數的實際意義非常好理解 代表全域性步數，比如在多少步該進行什麼操作，現在神經網路訓練到多少輪等等，類似於乙個鐘錶。global step經常在滑動平均，學習速率變化的時候需要用到，這個引數在tf.train.gradien...