活用可视化的结果，使用真正的人类智能，可以一目了然的了解的算法过程中的大致过程，这就是可视化可以带来的结果，在机器学习结果的展示上，能画出来的就尽量不要以数字的形式print出来，这篇文章继续分析y=3*x + 1的收敛过程，这里我们来使用图形化的方式来体验tensorflow的强大。

事前准备

关于线性回归的详细，请参看：

• https://blog.****.net/liumiaocn/article/details/82851912

代码准备

代码说明部分也参看如下文章：

• https://blog.****.net/liumiaocn/article/details/82851912

过程确认：100次迭代，每十次确认一下拟合状态，代码如下

for j in range(100):
  for i in range(100):
    sess.run(trainoperation, feed_dict={X: xdata[i], Y:ydata[i]})
  if j % 10 == 0:
    print("j = %s index = %s" %(j,index))
    plt.subplot(2,5,index) 
    plt.scatter(xdata,ydata)
    labelinfo="iteration: " + str(j)
    plt.plot(xdata,B.eval(session=sess)+W.eval(session=sess)*xdata,'b',label=labelinfo)
    plt.plot(xdata,ydata,'r',label='expected')
    plt.legend() 
    index = index + 1

示例代码

liumiaocn:Notebook liumiao$ cat basic-operation-8.py 
import tensorflow as tf
import numpy      as np
import os
import matplotlib.pyplot as plt

os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'

xdata = np.linspace(0,1,100)
ydata = 2 * xdata + 1

print("init modole ...")
X = tf.placeholder("float",name="X")
Y = tf.placeholder("float",name="Y")
W = tf.Variable(3., name="W")
B = tf.Variable(3., name="B")
linearmodel = tf.add(tf.multiply(X,W),B)
lossfunc = (tf.pow(Y - linearmodel, 2))
learningrate = 0.01

print("set Optimizer")
trainoperation = tf.train.GradientDescentOptimizer(learningrate).minimize(lossfunc)

sess = tf.Session()
init = tf.global_variables_initializer()
sess.run(init)

index = 1
print("caculation begins ...")
for j in range(100):
  for i in range(100):
    sess.run(trainoperation, feed_dict={X: xdata[i], Y:ydata[i]})
  if j % 10 == 0:
    print("j = %s index = %s" %(j,index))
    plt.subplot(2,5,index) 
    plt.scatter(xdata,ydata)
    labelinfo="iteration: " + str(j)
    plt.plot(xdata,B.eval(session=sess)+W.eval(session=sess)*xdata,'b',label=labelinfo)
    plt.plot(xdata,ydata,'r',label='expected')
    plt.legend() 
    index = index + 1

print("caculation ends ...")
print("##After Caculation: ") 
print("   B: " + str(B.eval(session=sess)) + ", W : " + str(W.eval(session=sess)))

plt.show()
liumiaocn:Notebook liumiao$

结果确认

从结果可以看到，第一个10次的迭代完成之后就已经非常好的收敛了

这样，我们调整一下迭代的次数：从100 改为10

for j in range(10):
  for i in range(100):
    sess.run(trainoperation, feed_dict={X: xdata[i], Y:ydata[i]})
  print("j = %s index = %s" %(j,index))
  plt.subplot(2,5,index)  
  plt.scatter(xdata,ydata)
  labelinfo="iteration: " + str(j)
  plt.plot(xdata,B.eval(session=sess)+W.eval(session=sess)*xdata,'b',label=labelinfo)
  plt.plot(xdata,ydata,'r',label='expected')
  plt.legend()  
  index = index + 1

发现依然训练逼近的过程不是很清晰，从最开始都非常清楚，仔细确认一下初始值，W的期待值是3，初始值是2，从最开始就比较准确，所以来调整一下，变成-3，再用同样的代码确认一下

可以清晰地看出调整的过程已经开始逐步逼近了，W为-3的初始值的情况下，每10次迭代粒度来确认一下训练拟合的过程：

总结

通过对训练过程的可视化结果确认，发现训练的过程会受很多因素的影响，但是总体来说还是能够收敛。tensorflow提供的函数非常强大，很多都像是积木一样方便，通过设定诸如LearningRate这样的值，灵活结合这些图形可视化的库函数，对于初期的学习能起到很好的辅助作用。