# coding:UTF-8
import os
import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' # 忽略不必要的警告
# 输入数据
x_data = np.random.rand(100).astype(np.float32)
noise = np.random.normal(0, 0.05, x_data.shape)
y_data = x_data * 3 + 2 + noise
# 数据可视化,输出原始数据
fig = plt.figure()
ax = fig.add_subplot(1, 1, 1) # 参数为输出图框的编号
ax.scatter(x_data, y_data)
plt.ion()
plt.show()
# 创建结构 start
weight = tf.Variable(tf.random_uniform([1], -1, 0, 1, 0))
biases = tf.Variable(tf.zeros([1])) # 设置 weight 和 biases的初值
y = weight * x_data + biases
loss = tf.reduce_mean(tf.square(y - y_data)) # 损失函数
optimizer = tf.train.GradientDescentOptimizer(0.7) # 下降方法 梯度下降 参数表示训练效率,通常小于1,实践发现参数不能太大
train = optimizer.minimize(loss) # 优化目标,使loss最小化
init = tf.global_variables_initializer()
# 创建结构 end
# 开始训练
sess = tf.Session()
sess.run(init)
for i in range(0, 100):
sess.run(train)
if i % 10 == 0:
new_weight = sess.run(weight)
new_biases = sess.run(biases)
print(i, new_weight, new_biases)
# 数据可视化
lines = ax.plot(x_data, new_weight * x_data + new_biases, 'r-', lw=5) # r-表示红色,lw表示线的宽度
plt.pause(0.5)
ax.lines.remove(lines[0])