使用Tensorflow 实现一个简单的全连接神经网络,及效果可视化
import tensorflow as tf
import numpy as np
#让结果可视化,添加一个模块
import matplotlib.pyplot as plt
# 添加和定义一个神经层
#inputs代表输入,in_size,输入维度,out_size代表输出维度,激活函数默认为None
def add_layer(inputs,in_size,out_size,activation_function=None):
#生成一个随机权值
Weights = tf.Variable(tf.random_normal([in_size,out_size]))
#定义一个为0.1的偏置
biases = tf.Variable(tf.zeros([1,out_size]) + 0.1)
#output = W x + b
Wx_plus_b = tf.matmul(inputs,Weights) + biases
#如果没有定义激活函数
if activation_function is None:
outputs = Wx_plus_b
else:
outputs = activation_function(Wx_plus_b)
return outputs
#定义一个数据集 -1, 1这个区间,有300个数据
x_data = np.linspace(-1,1,300)[:,np.newaxis]
#定义一个noise使数据更像一个真实数据,方差为0.05均值为0
noise = np.random.normal(0,0.05,x_data.shape)
#y值为
y_data = np.square(x_data)-0.5 + noise
#定义sess,run()时的值
xs = tf.placeholder(tf.float32,[None,1])
ys = tf.placeholder(tf.float32,[None,1])
#这里的输入层只有一个输入,定义第一层的隐藏节点为10个,激活函数为relu
l1 = add_layer(xs,1,10,activation_function = tf.nn.relu)
#将第一层的输出作为第二层的输入
#这里就有10个输入,但是输出y只有一个结点,所以
prediction = add_layer(l1,10,1,activation_function = None)
#定义损失值,将每个数据的预测值和真实值相减求平方再求和,最后平均
loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys-prediction),
reduction_indices=[1]))
#然后训练数据,梯度下降,学习率为0.1
train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)
init = tf.global_variables_initializer()
#生成一个图片框
fig = plt.figure()
#生成一个连续性的画图
ax = fig.add_subplot(1,1,1)
#先将真实数据答应出来
ax.scatter(x_data,y_data)
#连续的显示plt
plt.ion()
with tf.Session() as sess:
sess.run(init)
for i in range(3000):
sess.run(train_step,feed_dict = {xs:x_data,ys:y_data})
if i % 50 ==0:
print(sess.run(loss,feed_dict = {xs:x_data,ys:y_data}))
#画一条之后去除一条
try:
ax.lines.remove(lines[0])
except Exception:
pass
#显示预测数据,这里的预测值只和xs有关
prediction_value = sess.run(prediction,feed_dict={xs:x_data})
#用一条很色的线将结果画上去
lines = ax.plot(x_data,prediction_value,'r-',lw = 5)
plt.pause(0.3)