Tensorflow添加matplotlib可视化

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)