TensorFlow练习（五）——结果可视化（线性回归LinearRegression）

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

def add_layer(inputs,in_size,out_size,activation_function=None): # 输入值，输入的大小，输出的大小，激励函数
    Weights = tf.Variable(tf.random_normal([in_size,out_size]))  #定义矩阵 随机变量生成初始的时候会比全0的好
    # 定义weights为一个in_size行, out_size列的随机变量矩阵
    biases = tf.Variable(tf.zeros([1,out_size]) + 0.1)   # 推荐初始值不为0
    Wx_plus_b = tf.matmul(inputs,Weights) + biases
    # 当激励函数为None时，输出就是当前的预测值——Wx_plus_b
    # 不为None时，就把Wx_plus_b传到activation_function()函数中得到输出。
    if activation_function is None:   # 线性关系，就不需要再加非线性方程
        outputs = Wx_plus_b
    else:
        outputs = activation_function(Wx_plus_b)
    return outputs

x_data = np.linspace(-1,1,300)[:,np.newaxis]   # 加一个维度  转换成300行1列
# print(x_data)
noise = np.random.normal(0,0.05,x_data.shape)  # 期望，方差，格式
y_data = np.square(x_data) - 0.5 + noise

xs = tf.placeholder(tf.float32,[None,1])
ys = tf.placeholder(tf.float32,[None,1])
# None代表无论输入有多少都可以，因为输入只有一个特征，所以这里是1

l1 = add_layer(xs,1,10,activation_function=tf.nn.relu)  # 隐藏层
prediction = add_layer(l1,10,1,activation_function=None) # 输出层 输入10层，输出1层

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

train_step = tf.train.GradientDescentOptimizer(0.08).minimize(loss)
    # 优化器    目标，最小化误差

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)

for i in range(1500):
    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])  # 去除掉lines的第一个单位
        except Exception:
            pass
        prediction_value = sess.run(prediction,feed_dict={xs:x_data})
        # prediction.append(sess.run(loss,feed_dict={xs:x_data,ys:y_data}))
        # 每隔50次训练刷新一次图形，用红色、宽度为5的线来显示我们的预测数据和输入之间的关系，并暂停0.3s。
        lines = ax.plot(x_data,prediction_value,'r-',lw=5)
        plt.pause(0.3)

plt.show()

运行结果：