tensorflow结果可视化-【老鱼学tensorflow】

这次我们把上次的结果进行可视化显示，我们会把神经网络的优化过程以图像的方式展示出来，方便我们了解神经网络是如何进行优化的。

首先，我们把测试数据显示出来：

# 显示测试数据
fig = plt.figure()
ax = fig.add_subplot(1, 1, 1)
ax.scatter(x_data, y_data)

plt.ion()
plt.show()

这里为了能够更加灵活地控制显示的图形，因此增加了subplot，这样方便对其中画出的线进行删除。
plt.ion()开启了交互模式，这样不会使图形显示后一直处于等待状态。

在绘制每一次的拟合曲线中：

        try:
            ax.lines.remove(lines[0])
        except Exception:
            pass

        lines = ax.plot(x_data, prediction_value, c='r')
        plt.pause(0.1)

首先把之前的线进行删除，然后添加预测值的直线段，最后还在屏幕上暂停一下绘制。
这样图形显示为：

完成的代码为：

import tensorflow as tf
import matplotlib.pyplot as plt

def add_layer(inputs, in_size, out_size, activation_function=None):
    """
    添加层
    :param inputs: 输入数据
    :param in_size: 输入数据的列数
    :param out_size: 输出数据的列数
    :param activation_function: 激励函数
    :return:
    """

    # 定义权重，初始时使用随机变量，可以简单理解为在进行梯度下降时的随机初始点，这个随机初始点要比0值好，因为如果是0值的话，反复计算就一直是固定在0中，导致可能下降不到其它位置去。
    Weights = tf.Variable(tf.random_normal([in_size, out_size]))
    # 偏置shape为1行out_size列
    biases = tf.Variable(tf.zeros([1, out_size]) + 0.1)
    # 建立神经网络线性公式：inputs * Weights + biases，我们大脑中的神经元的传递基本上也是类似这样的线性公式，这里的权重就是每个神经元传递某信号的强弱系数，偏置值是指这个神经元的原先所拥有的电位高低值
    Wx_plus_b = tf.matmul(inputs, Weights) + biases
    if activation_function is None:
        # 如果没有设置激活函数，则直接就把当前信号原封不动地传递出去
        outputs = Wx_plus_b
    else:
        # 如果设置了激活函数，则会由此激活函数来对信号进行传递或抑制
        outputs = activation_function(Wx_plus_b)
    return outputs


import numpy as np
# 创建一列（相当于只有一个属性值），300行的x值，这里np.newaxis用于新建出列数据，使其shape为(300, 1)
x_data = np.linspace(-1, 1, 300)[:,np.newaxis]
# 增加噪点，噪点的均值为0，标准差为0.05，形状跟x_data一样
noise = np.random.normal(0, 0.05, x_data.shape)
# 定义y的函数为二次曲线的函数，但同时增加了一些噪点数据
y_data = np.square(x_data) - 0.5 + noise

# 显示测试数据
fig = plt.figure()
ax = fig.add_subplot(1, 1, 1)
ax.scatter(x_data, y_data)
plt.ion()
plt.show()


# 定义输入值，这里定义输入值的目的是为了能够使程序比较灵活，可以在神经网络启动时接收不同的实际输入值，这里输入的结构为输入的行数不国定，但列就是1列的值
xs = tf.placeholder(tf.float32, [None, 1])
ys = tf.placeholder(tf.float32, [None, 1])

# 定义一个隐藏层，输入为xs，输入size为1列，因为x_data就只有1个属性值，输出size我们假定输出的神经元有10个神经元的隐藏层，激励函数用relu
l1 = add_layer(xs, 1, 10, tf.nn.relu)
# 定义输出层，输入为l1，输入size为10列，也就是l1的列数，输出size为1，因为这里直接输出为类似y_data了，因此为1列，假定没有激励函数，也就是输出是啥就直接传递出去了。
predition = add_layer(l1, 10, 1, activation_function=None)

# 定义损失函数为差值平方和的平均值
loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys - predition), axis=1))
# 进行逐步优化的梯度下降优化器，学习效率为0.1，以最小化损失函数的方式进行优化
train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)

# 初始化所有定义的变量
init = tf.global_variables_initializer()

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

# 学习1000次
for i in range(1000):
    sess.run(train_step, feed_dict={xs:x_data, ys:y_data})
    # 打印期间的误差值，看这个误差值是否在减少
    if i % 50 == 0:
        # print(sess.run(loss, feed_dict={xs:x_data, ys:y_data}))
        prediction_value = sess.run(predition, feed_dict={xs:x_data, ys:y_data})
        try:
            ax.lines.remove(lines[0])
        except Exception:
            pass

        lines = ax.plot(x_data, prediction_value, c='r')
        plt.pause(0.1)

在进行绘制图形时，也可以用如下的方式进行：
绘制原始数据的图形：

plt.scatter(x_data, y_data)
plt.ion()
plt.show()

在每个测试步骤中绘制的图形：

        prediction_value = sess.run(predition, feed_dict={xs:x_data, ys:y_data})
        try:
            plt.axes().lines.remove(lines[0])
        except Exception:
            pass

        lines = plt.plot(x_data, prediction_value, c='r')
        plt.pause(0.1)