#import os
#os.environ[‘TF_CPP_MIN_LOG_LEVEL‘] = ‘2‘
import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt

#添加一個神經層，定義添加神經層的函數
def add_layer(inputs, in_size, out_size, activation_function = None):
    Weights = tf.Variable(tf.random_normal([in_size,out_size])) 
    biases 
 
= tf.Variable(tf.zeros([1,out_size]) + 0.1)
    Wx_plus_b = tf.matmul(inputs,Weights) + biases #Wx_plus_b代表W*x+b

#如果沒有激勵函數，即為線性關系，那麽直接輸出，不需要激勵函數（非線性函數）
    if activation_function is None:         
        outputs = Wx_plus_b
    else:
        outputs = activation_function(Wx_plus_b) #把這個值傳進去
    return
 
 outputs
x_data = np.linspace(-1, 1, 300, dtype = np.float32)[:, np.newaxis]  
noise = np.random.normal(0, 0.05, x_data.shape).astype(np.float32)
y_data = np.square(x_data) - 0.5 + noise 

xs = tf.placeholder(tf.float32, [None, 1]) 
ys = tf.placeholder(tf.float32, [None, 1])

l1 = add_layer(xs, 1, 10, activation_function = tf.nn.relu)

 
#預測值；定義輸出層，輸入為l1=前一層隱藏層的輸出，輸入的層數為10=隱藏層神經元的個數，輸出的層數為1=輸出一般只有1層 
prediction = add_layer(l1, 10, 1, activation_function = None) 
loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys-prediction),reduction_indices = [1])) 
train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss) #機器要學習的內容，使用優化器提升準確率，學習率為0.1<1，表示以0.1的效率來最小化誤差loss

init = tf.global_variables_initializer()

sess = tf.Session() #定義Session，並使用Session來初始化步驟
sess.run(init)

#繪制真實數據
fig = plt.figure() #生成一個畫框/畫布
ax = fig.add_subplot(1, 1, 1) #將畫框分為1行1列，並將圖 畫在畫框的第1個位置
ax.scatter(x_data, y_data) #畫散點圖
plt.ion() #交互繪制功能，用於連續顯示；本次運行時請註釋掉這條語句，全局運行不需要註釋掉
plt.show() #顯示所繪制的圖形，但是他只顯示當前運行時的圖像，不會一直顯示多次；在實際運行當中，註釋掉上面兩條代碼，程序才會正常運行，暫時不知道為什麽。。。
for i in range(1000): #訓練1000次
    sess.run(train_step, feed_dict={xs:x_data, ys:y_data}) #給placeholder餵數據，把x_data賦值給xs
    if i % 50 == 0: #每50步輸出一次機器學習的誤差
        #print(sess.run(loss, feed_dict={xs:x_data, ys:y_data})) 
        #可視化結果與改進
        try:
            ax.lines.remove(lines[0]) #抹去前一條繪制的曲線，在這裏我們要先抹去再繪制，防止第一次運行時報錯，我們使用try語句
        except Exception:
            pass
        prediction_value = sess.run(prediction, feed_dict={xs:x_data})
        #繪制預測數據
        lines = ax.plot(x_data, prediction_value,‘r-‘,lw=5) #x軸數據，y軸數據，紅色的線，線的寬度為5
        plt.pause(0.1) #繪制曲線的時間間隔為0.1秒
    

莫煩大大TensorFlow筆記（6）----結果可視化