1.瞭解tensorflow基本架構

2.用梯度下降的方法訓練處模型

3.視覺化樣本資料，視覺化訓練出的模型以及視覺化損失函式

"""
Created on Wed May  2 09:40:08 2018
@author: jiangcheng
"""


import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
# create data
x_data = np.random.rand(100).astype(np.float32)
y_data = x_data*0.1 + 0.3
#打印出準備訓練的樣本
fig = plt.figure()  
plt.xlabel('X')  
#設定Y軸標籤  
plt.ylabel('Y')    
plt.scatter(x_data,y_data,c = 'r',marker = 'x')  #'o'---圓點，‘s’---方塊
#設定圖示 ,左上角的圖示 
plt.legend('x')  
#顯示所畫的圖  
plt.show()  
### tensorflow structure start ###
Weights = tf.Variable(tf.random_uniform([1], -1.0, 1.0))
biases = tf.Variable(tf.zeros([1]))
y = Weights*x_data + biases
loss = tf.reduce_mean(tf.square(y-y_data))
optimizer = tf.train.GradientDescentOptimizer(0.5)#梯度下降，學習速率為0.5
train = optimizer.minimize(loss)
init = tf.initialize_all_variables()
###  tensorflow structure end ###


sess = tf.Session()
sess.run(init)          # Very important


cost=[]
for step in range(201):
    sess.run(train)
    if step % 20 == 0:
#        print(step, sess.run(Weights), sess.run(biases))
        print("Cost after iteration {}: {}".format(step, np.squeeze(sess.run(loss))))
        cost.append(sess.run(loss))
####訓練出的模型
fig = plt.figure()    
#設定X軸標籤  
plt.xlabel('Xmodel')  
#設定Y軸標籤  
plt.ylabel('Ymodel')  
#畫散點圖  
plt.scatter(x_data,sess.run(y),c = 'y',marker = 'o')  #'o'---圓點，‘s’---方塊
#設定圖示 ,左上角的圖示 
plt.legend('xmodel')   
plt.show()  
###列印代價
plt.plot(np.squeeze(cost))  #壓縮
plt.ylabel('cost')
plt.xlabel('iterations (per 20)')
plt.title("Learning rate =" +str( 0.5))

plt.show()
 

1.訓練的資料視覺化

2.模型視覺化

3.損失函式視覺化