import tensorflow.compat.v1 as tf
#在2.X版本的tensorflow使用1.x版本的tenorflow
import numpy as np
import matplotlib.pyplot as plt#画图
tf.disable_v2_behavior()
#在2.X版本的tensorflow使用1.x版本的tenorflow
#activation_function=None为Linear线性函数
#添加神经层函数
def add_layer(inputs,in_size,out_size,activation_function=None):
Weights=tf.Variable(tf.random_normal([in_size,out_size]))
#生成随机变量矩阵有in_size行out_size列
biases=tf.Variable(tf.zeros([1,out_size])+0.1)
#1行out_size列的数值为0.1
#矩阵乘法
Wx_plus_b=tf.matmul(tf.cast(inputs,tf.float32),Weights)+biases
if activation_function is None:
outputs=Wx_plus_b
else:
outputs=activation_function(Wx_plus_b)
return outputs
#[-1,1]区间有300个单位 功能:在指定的间隔内返回均匀间隔的数字。
##x_data 输入层
x_data=np.linspace(-1,1,300)[:,np.newaxis]
#np.newaxis 插入新维度
#np.random.normal(均值,方差,输出size)正态分布
noise=np.random.normal(0,0.05,x_data.shape)
y_data=np.square(x_data)-0.5+noise
#x的值
xs=tf.placeholder(tf.float32,[None,1])#行不定列为1
#tf.placeholder(dtype,shape=None,name=None)
#y的值
ys=tf.placeholder(tf.float32,[None,1])
##隐藏层l1 input=1 output=10
l1=add_layer(x_data,1,10,activation_function=tf.nn.relu)
##输出层predition
prediction=add_layer(l1,10,1,activation_function=None)
#square平方reduce_sum求和之后reduce_mean求平均值
#reduction_indices=[1]维度为1
loss=tf.reduce_mean(tf.reduce_sum(tf.square(ys-prediction),reduction_indices=[1]))
train_step=tf.train.GradientDescentOptimizer(0.1).minimize(loss)#学习效率为0.1(<1) minimize(loss)减小误差
init=tf.initialize_all_variables()
sess=tf.Session()
sess.run(init)
fig=plt.figure()#生成图片框架
ax=fig.add_subplot(1,1,1)#将多个图放在同一个窗口里1行1列第1个
ax.scatter(x_data,y_data)#用点的形式把真实的数据画出来
plt.ion()#
plt.show()
lines=None
for i in range(1000):
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}))
try:
ax.lines.remove(lines[0]) # 去掉第一条线
except Exception:
pass
prediction_value = sess.run(prediction, feed_dict={xs: x_data})
lines=ax.plot(x_data,prediction_value,'r-',lw=5)#线宽度为5
plt.pause(0.1)#暂停0.1秒
#无红线file->settings->tools->python scientic->show plot 对号去掉
Tensorflow结果可视化
最新推荐文章于 2023-08-04 01:14:35 发布