tensorflow结果可视化-【老鱼学tensorflow】
程序员文章站
2022-03-21 19:37:32
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: 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 ......
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)
上一篇: vue项目中导入swiper插件的方法
下一篇: 哪种蔬菜好吃又营养
推荐阅读
-
tensorflow Tensorboard可视化-【老鱼学tensorflow】
-
tensorflow卷积神经网络-【老鱼学tensorflow】
-
tensorflow Tensorboard2-【老鱼学tensorflow】
-
tensorflow分类-【老鱼学tensorflow】
-
tensorflow用dropout解决over fitting-【老鱼学tensorflow】
-
tensorflow激励函数-【老鱼学tensorflow】
-
tensorflow结果可视化-【老鱼学tensorflow】
-
tensorflow添加层-【老鱼学tensorflow】
-
tensorflow RNN循环神经网络 (分类例子)-【老鱼学tensorflow】
-
tensorflow 传入值-【老鱼学tensorflow】