tensorflow笔记(一)
关于准备数据中的相关代码的解释
# 准备数据
import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
train_x = np.linspace(-1, 1, 100)
# x为[-1,1]的一百个数字
train_y = 2*train_x+np.random.randn(*train_x.shape)*0.3
# numpy.random.rand(d0,d1,…,dn)
# rand函数根据给定维度生成[0,1)之间的数据,包含0,不包含1
# dn表示维度
# numpy.random.randn(d0,d1,…,dn)
# randn函数返回一个或一组样本,具有标准正态分布。
# 标准正态分布又称为u分布,是以0为均值、以1为标准差的正态分布,记为N(0,1)。
# dn表格每个维度
# 返回值为指定维度的array
# y=2x+rand()
plt.plot(train_x, train_y, 'ro', label='oringin data')
plt.legend()
# 左上origin data即为legend区域
plt.show()
除其上一些函数的解释外补充有:
legend:
如图可知legend的位置
不带参数调用 legend 会自动获取图例句柄及相关标签
某些情况下需要设置图例时,若不规定label自动使用plot函数里边的标签
l1,=plt.plot(x,y1,label='linear line')
l2,=plt.plot(x,y2,color='red',linewidth=1.0,linestyle='--',label='square line')
plt.legend(handles=[l1, l2])
显示如下
如果需要设置其他标签则
plt.legend(handles=[l1, l2], labels=['up', 'down'])
显示为所设标签
图例的位置可以用loc关键字来指定,可以选择任何地方放置
(plt.legend(handles=[l1, l2], labels=['up', 'down'], loc='lower right')
)
loc 使用参数
整数,字符串或浮点偶对,默认为 ‘upper right’。
box_to_anchor关键字可让用户手动控制图例布局