TensorFlow可视化结果

引入matplotlib来查看拟合效果

首先对随机生成的数据进行可视化，用于查看我们人为生成的数据的分布情况

# 引入可视化库
import matplotlib.pyplot as plt

# 这部分为上篇中生成数据的代码
x_data = np.linspace(-1, 1, 300)[:, np.newaxis]
noise = np.random.normal(0, 0.05, x_data.shape)
y_data = np.square(x_data) - 0.5 + noise

# 接下里调用可视化函数，用于查看现在的数据样式
# 获取Figure对象
fig = plt.figure()
# 每个Figure对象可以拥有多个子图（Axes），使用subplot函数获取对象
ax = fig.add_subplot(1, 1, 1)

# 使用散点图的形式查看数据
ax.scatter(x_data, y_data)

# 保证图像可以实时刷新，而不阻塞
plt.ion()

# 展示图像
plt.show()

以上代码的运行效果如下图所示：

接下来修改训练部分的代码，用于动态刷新图表

for i in range(1000):
    sess.run(trainStep, feed_dict={xs: x_data, ys: y_data})

    # 修改部分
    if (i % 10 == 0):
        # print(sess.run(loss, feed_dict={xs: x_data, ys: y_data}))

        # 尝试移除图像中原有的曲线
        # 如果不移除，则多条取钱都会叠加到图表上
        try:
            ax.lines.remove(lines[0])
        except Exception:
            pass

        # 获取预测数据
        prediction_value = sess.run(prediction, feed_dict={xs: x_data})
        # 对遇到的数据进行构图
        lines = ax.plot(x_data, prediction_value, 'r-', lw=5)
        # 暂停0.1秒查看曲线的拟合情况
        plt.pause(0.1)

运行结果如下图所示，应该是个动态图效果，可以自己运行代码尝试

更改之后的全部代码

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt

def addLayer(inputs, inSize, outSize, activationFunction = None):
    Weights = tf.Variable(tf.random_normal([inSize, outSize]))
    biases = tf.Variable(tf.zeros([1, outSize]) + 0.1)
    Wx_plus_b = tf.matmul(inputs, Weights) + biases
    if (activationFunction == None):
        outputs = Wx_plus_b
    else:
        outputs = activationFunction(Wx_plus_b)
    return outputs

x_data = np.linspace(-1, 1, 300)[:, np.newaxis]
noise = np.random.normal(0, 0.05, x_data.shape)
y_data = np.square(x_data) - 0.5 + noise

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

l1 = addLayer(xs, 1, 10, activationFunction=tf.nn.relu)
prediction = addLayer(l1, 10, 1, activationFunction = None)

loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys - prediction),
                    reduction_indices = [1]))

trainStep = tf.train.GradientDescentOptimizer(0.1).minimize(loss)

init = tf.global_variables_initializer()

sess = tf.Session()
sess.run(init)

fig = plt.figure()
ax = fig.add_subplot(1, 1, 1)
ax.scatter(x_data, y_data)
plt.ion()
plt.show()

for i in range(1000):
    sess.run(trainStep, feed_dict={xs: x_data, ys: y_data})
    if (i % 10 == 0):
        # print(sess.run(loss, feed_dict={xs: x_data, ys: y_data}))
        try:
            ax.lines.remove(lines[0])
        except Exception:
            pass
        prediction_value = sess.run(prediction, feed_dict={xs: x_data})
        # plot the prediction
        lines = ax.plot(x_data, prediction_value, 'r-', lw=5)
        plt.pause(0.1)