tensorflow 1

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

def tfDemo1():
	#create data
	x_data = np.random.rand(100).astype(np.float32)
	y_data = x_data * 0.1 + 0.3

	#create tensorflow structure
	Weights=tf.Variable(tf.random_uniform([1],-1.0,1.0)) #一维，范围[-1,1]
	biases=tf.Variable(tf.zeros([1]))

	y=Weights*x_data+biases
	loss=tf.reduce_mean(tf.square(y-y_data))

	#建立优化器，减小误差，提高参数准确度，每次迭代都会优化
	optimizer=tf.train.GradientDescentOptimizer(0.5) #学习效率<1
	train=optimizer.minimize(loss)

	#初始化变量
	init=tf.global_variables_initializer()

	with tf.Session() as sess:
		sess.run(init)
		#train
		for step in range(201):
			sess.run(train)
			if step%20==0:
				print(step,sess.run(Weights),sess.run(biases))
	
def tfDemo2():
	matrix1 = tf.constant([[3, 3]])
	matrix2 = tf.constant([[2], [2]])
	
	#Tensor("Const:0", shape=(1, 2), dtype=int32)
	#Tensor("Const_1:0", shape=(2, 1), dtype=int32)
	print(matrix1)
	print(matrix2)
	
	# matrix multiply
	# np.dot(m1,m2)
	product = tf.matmul(matrix1, matrix2)
	sess = tf.Session()  # Session是一个object，首字母要大写
	result = sess.run(product)
	print(result)
	sess.close()
	
	# method 2
	# with 可以自己关闭会话
	with tf.Session() as sess:
		result2 = sess.run(product)
		print(result2)

# Variable		
def tfDemo3():
	state=tf.Variable(0,name='counter')
	print(state)
	print(state.name)
	
	one=tf.constant(1)
	new_value=tf.add(state,one)
	updata=tf.assign(state,new_value)
	
	#变量必须要激活
	init=tf.global_variables_initializer()
	
	with tf.Session() as sess:
		sess.run(init)
		for _ in range(3):
			sess.run(updata)
			print(sess.run(state))
	
# placeholder
def tfDemo4():
	# 给定type，tf大部分只能处理float32数据
	input1 = tf.placeholder(tf.float32)
	input2 = tf.placeholder(tf.float32)
	output = tf.multiply(input1, input2)
	
	with tf.Session() as sess:
		print(sess.run(output, feed_dict={input1: [7.], input2: [2.]}))
	
# 添加层
def add_layer(inputs,in_size,out_size,activation_function=None):
	#Weights是一个矩阵，[行，列]为[in_size,out_size]
	Weights=tf.Variable(tf.random_normal([in_size,out_size]))#正态分布
	
	#初始值推荐不为0，所以加上0.1，一行，out_size列
	biases=tf.Variable(tf.zeros([1,out_size])+0.1)
	
	#Weights*x+b的初始化的值，也就是未激活的值
	Wx_plus_b=tf.matmul(inputs,Weights)+biases
	
	if activation_function is None:
		outputs=Wx_plus_b
	else:
		outputs=activation_function(Wx_plus_b)
	return outputs
	
# 构建一个神经网络
def tfDemo5():
	# (-1,1)之间，有300个单位，后面的是维度，x_data是有300行（300个例子）
	x_data=np.linspace(-1,1,300)[:,np.newaxis]
	# 加噪声,均值为0，方差为0.05，大小和x_data一样
	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])
	
	"""建立网络"""
	#定义隐藏层，输入1个节点，输出10个节点
	l1=add_layer(xs,1,10,activation_function=tf.nn.relu)
	#定义输出层
	prediction=add_layer(l1,10,1,activation_function=None)
	
	# 计算loss只需要正向传播
	loss=tf.reduce_mean(tf.reduce_sum(tf.square(ys-prediction),reduction_indices=[1]))
	
	"""训练"""
	#优化算法,minimize(loss)以0.1的学习率对loss进行减小
	train_step=tf.train.GradientDescentOptimizer(0.1).minimize(loss)
	init=tf.global_variables_initializer()
	with tf.Session() as sess:
		sess.run(init)
		for i in range(2000):
			# sess.run()调用一次就进行一次正向传播，然后根据误差进行一次反向传播调整网络参数(梯度下降进行调整)
			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}))

# 可视化				
def tfDemo6():			
	"""定义数据形式"""
	# (-1,1)之间，有300个单位，后面的是维度，x_data是有300行（300个例子）
	x_data=np.linspace(-1,1,300)[:,np.newaxis]
	# 加噪声,均值为0，方差为0.05，大小和x_data一样
	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])
	
	"""建立网络"""
	#定义隐藏层，输入1个节点，输出10个节点
	l1=add_layer(xs,1,10,activation_function=tf.nn.relu)
	#定义输出层
	prediction=add_layer(l1,10,1,activation_function=None)

	"""预测"""
	#损失函数,算出的是每个例子的平方，要求和（reduction_indices=[1]，按行求和）,再求均值
	loss=tf.reduce_mean(tf.reduce_sum(tf.square(ys-prediction),reduction_indices=[1]))

	"""训练"""
	#优化算法,minimize(loss)以0.1的学习率对loss进行减小
	train_step=tf.train.GradientDescentOptimizer(0.1).minimize(loss)

	init=tf.global_variables_initializer()
	with tf.Session() as sess:
		sess.run(init)
		fig=plt.figure()
		#连续性的画图
		ax=fig.add_subplot(1,1,1)
		ax.scatter(x_data,y_data)
		# 不暂停
		plt.ion()
		# plt.show()绘制一次就会暂停
		# plt.show() #也可以用plt.show(block=False)来取消暂停，但是python3.5以后提供了ion的功能，更方便
		for i in range(1000):
			sess.run(train_step,feed_dict={xs:x_data,ys:y_data})
			if i%20==0:
				# print(sess.run(loss,feed_dict={xs:x_data,ys:y_data}))
				#尝试先抹除，后绘制第二条线
				#第一次没有线，会报错，try就会忽略错误，然后紧接着执行下面的步骤
				try:
					# 画出一条后抹除掉,去除第一个线段，但是只有一个，也就是抹除当前的线段
					ax.lines.remove(lines[0])
				except Exception:
					pass
				prediction_value=sess.run(prediction,feed_dict={xs:x_data})
				lines=ax.plot(x_data,prediction_value,'r-',lw=5) #lw线宽
				# 暂停0.1s
				plt.pause(0.1)
def main():
	#tfDemo1()
	#tfDemo2()
	#tfDemo3()
	#tfDemo4()
	#tfDemo5()
	tfDemo6()
			
if __name__ == '__main__':
	main()