莫烦大大TensorFlow笔记（6）----结果可视化

#import os
#os.environ[‘TF_CPP_MIN_LOG_LEVEL‘] = ‘2‘
import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt

#添加一个神经层，定义添加神经层的函数
def add_layer(inputs, in_size, out_size, activation_function = None):
    Weights = tf.Variable(tf.random_normal([in_size,out_size])) 
    biases = tf.Variable(tf.zeros([1,out_size]) + 0.1)
    Wx_plus_b = tf.matmul(inputs,Weights) + biases #Wx_plus_b代表W*x+b

#如果没有激励函数，即为线性关系，那么直接输出，不需要激励函数（非线性函数）
    if activation_function is None:         
        outputs = Wx_plus_b
    else:
        outputs = activation_function(Wx_plus_b) #把这个值传进去
    return outputs
x_data = np.linspace(-1, 1, 300, dtype = np.float32)[:, np.newaxis]  
noise = np.random.normal(0, 0.05, x_data.shape).astype(np.float32)
y_data = np.square(x_data) - 0.5 + noise 

xs = tf.placeholder(tf.float32, [None, 1]) 
ys = tf.placeholder(tf.float32, [None, 1])

l1 = add_layer(xs, 1, 10, activation_function = tf.nn.relu)

#预测值；定义输出层，输入为l1=前一层隐藏层的输出，输入的层数为10=隐藏层神经元的个数，输出的层数为1=输出一般只有1层 
prediction = add_layer(l1, 10, 1, activation_function = None) 
loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys-prediction),reduction_indices = [1])) 
train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss) #机器要学习的内容，使用优化器提升准确率，学习率为0.1<1，表示以0.1的效率来最小化误差loss

init = tf.global_variables_initializer()

sess = tf.Session() #定义Session，并使用Session来初始化步骤
sess.run(init)

#绘制真实数据
fig = plt.figure() #生成一个画框/画布
ax = fig.add_subplot(1, 1, 1) #将画框分为1行1列，并将图 画在画框的第1个位置
ax.scatter(x_data, y_data) #画散点图
plt.ion() #交互绘制功能，用于连续显示；本次运行时请注释掉这条语句，全局运行不需要注释掉
plt.show() #显示所绘制的图形，但是他只显示当前运行时的图像，不会一直显示多次；在实际运行当中，注释掉上面两条代码，程序才会正常运行，暂时不知道为什么。。。
for i in range(1000): #训练1000次
    sess.run(train_step, feed_dict={xs:x_data, ys:y_data}) #给placeholder喂数据，把x_data赋值给xs
    if i % 50 == 0: #每50步输出一次机器学习的误差
        #print(sess.run(loss, feed_dict={xs:x_data, ys:y_data})) 
        #可视化结果与改进
        try:
            ax.lines.remove(lines[0]) #抹去前一条绘制的曲线，在这里我们要先抹去再绘制，防止第一次运行时报错，我们使用try语句
        except Exception:
            pass
        prediction_value = sess.run(prediction, feed_dict={xs:x_data})
        #绘制预测数据
        lines = ax.plot(x_data, prediction_value,‘r-‘,lw=5) #x轴数据，y轴数据，红色的线，线的宽度为5
        plt.pause(0.1) #绘制曲线的时间间隔为0.1秒