TensorFlow可视化结果

r囧r小猫 2022-06-06 01:21 212阅读 0赞

## 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：  
![QQ截图20171026141447.png-11.5kB][QQ_20171026141447.png-11.5kB]

## 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  
![QQ截图20171026135532.png-56.2kB][QQ_20171026135532.png-56.2kB]

## 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)

[QQ_20171026141447.png-11.5kB]: /images/20220606/5fd783aff870437fb01ca209fa576754.png
[QQ_20171026135532.png-56.2kB]: /images/20220606/1aacc81b50ab46ebb0e4938dc07dbc16.png