通过matplotlib可视化, 我们可以更直观的看到神经网络的结果
接下来的例子是拟合一个二次曲线,结合上一次构建简单神经网络的代码
#!/usr/bin/env python2 # -*- coding: utf-8 -*- """ 简单的神经网络通过matplotlib可视化 """ import tensorflow as tf import numpy as np #导入matplotlig import matplotlib.pyplot as plt def add_layer(input_value, in_size, out_size, activate_function=None): #权重 Weights = tf.Variable(tf.random_normal([in_size, out_size])) #偏移量 biases = tf.Variable(tf.zeros([1,out_size])+0.1) #wx+b Wx_plus_b = tf.matmul(input_value,Weights)+biases #有激活函数则使用激活函数计算下一层的值 if activate_function is None: outputs = Wx_plus_b else: outputs = activate_function(Wx_plus_b) return outputs #创造些简单的数据 #创建一个300行数值在-1到1 之间的一个输入向量 #np.linspace函数可以生成元素为300的等间隔数列 #np.newaxis的功能是插入新维度 x_data = np.linspace(-1, 1, 300)[:,np.newaxis] #添加噪声,模拟真实数据,数据格式和x一样 noise = np.random.normal(0, 0.05, x_data.shape) y_data = np.square(x_data)-0.5+noise #定义placeholder作为神经网络的输入 xs = tf.placeholder(tf.float32,[None,1]) ys = tf.placeholder(tf.float32,[None,1]) #添加隐藏层,隐藏层的单元数设为10个,激活函数为relu l1 = add_layer(xs, 1, 10, activate_function=tf.nn.relu) #添加输出层,输入数据为最后一层隐藏层的输出,激活函数线性函数 prediction = add_layer(l1, 10, 1, activate_function=None) #定义损失函数,损失函数为平方损失 #reduction_indices参数，表示函数的处理维度, #没有reduction_indices这个参数，此时该参数取默认值None，将把input_tensor降到0维，也就是一个数。 loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys - prediction),reduction_indices=1)) #定义训练的公式,tensorflow每执行一次都在重复执行这个训练步骤, #优化方法是梯度下降法,学习速率是0.1 train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss) #导入step #tensorflow定义图结构中有变量时必须先对变量进行初始化,激活变量 init = tf.initialize_all_variables() sess = tf.Session() sess.run(init) ''' 创建一个画布 ''' fig = plt.figure() ax = fig.add_subplot(1,1,1) #添加输入的散点图 ax.scatter(x_data, y_data) #设置block=False画布循环,否则只展示一次,python3添加plt.ion() plt.show(block=False) #训练迭代1000次 for i in range(1000): #训练 sess.run(train_step, feed_dict={xs : x_data, ys : y_data}) #每50步输出一下损失函数的优化情况 if i % 50 ==0: ''' 我们需要展示的是预测值拟合的情况,所以我需要run prediction remove(lines[0])是需要将前一个画的线删除,否则会留下所有的线 lines[0]表示第一个 ''' try: ax.lines.remove(lines[0]) except Exception: pass prediction_value = sess.run(prediction, feed_dict={xs : x_data}) #设置预测值的样式,红色线条,线宽度为5 lines = ax.plot(x_data,prediction_value, 'r-', lw = 5) #设置暂停时间为0.1,方便观察 plt.pause(0.1)