python在绘图的时候,需要开启交互模式。核心代码如下:
plt.ion ();#开启交互模式成功的关键函数
无花果=plt.figure (1);
因为我在范围(100):
filepath=" E:/模型/weights-improvement——“+ str (i + 1) +“.hdf5”;
model.load_weights (filepath);
#测试数据
x_new=np。linspace(低,大学出版社,1000年);
y_new=getfit(模型、x_new);
#显示数据
plt.clf ();
plt.plot (x, y);
plt。散射(x_sample y_sample);
plt.plot (x_new y_new);
ffpath=" E:/一/" + str (i) +“jpg”;
plt.savefig (ffpath);
plt.pause(0.01) #暂停0.01秒
ani=animation.FuncAnimation (plt.figure(2),更新范围(100),init_func=init,间隔=500);
ani.save (“E:/test.gif”,作家=罢硗贰?;
plt.ioff() #关闭交互模式
之前
已知下面采样自罪函数的数据:
x
y
1
0.093
-0.81
2
0.58
-0.45
3.
1.04
-0.007
4
1.55
0.48
5
2.15
0.89
6
2.62
0.997
7
2.71
0.995
8
2.73
0.993
9
3.03
0.916
10
3.14
0.86
11
3.58
0.57
12
3.66
0.504
13
3.81
0.369
14
3.83
0.35
15
4.39
-0.199
16
4.44
-0.248
17
4.6
-0.399
18
5.39
-0.932
19
5.54
-0.975
20.
5.76
-0.999
,通过一个简单的三层神经网络训练一个罪函数的拟合器,并可视化模型训练过程的拟合曲线。
主要做的事情是定义一个三层的神经网络,输入层节点数为1,隐藏层节点数为10,输出层节点数为1 .
进口数学;
进口随机;
从matplotlib进口pyplot plt
从keras。模型导入顺序
从keras.layers。核心进口密集
从keras。优化进口亚当
进口numpy np
从keras。回调函数导入ModelCheckpoint
进口操作系统
#采样函数
def样本(低,num):
data=https://www.yisu.com/zixun/[];
因为我在范围(num):
#采样
tmp=随机的。制服(低);
data.append (tmp);
data.sort ();
返回数据;
#罪函数
def func (x):
y=[];
因为我在范围(len (x)):
tmp=数学。sin (x[我]- math.pi/3);
y.append (tmp);
返回y;
#获取模型拟合结果
def getfit(模型中,x):
y=[];
因为我在范围(len (x)):
tmp=模型。预测([x[我]],10);
y.append (tmp [0] [0]);
返回y;
#删除同一目录下的所有文件
def del_file(路径):
ls=os.listdir(路径)
因为我在ls:
c_path=os.path。加入(路径,我)
如果os.path.isdir (c_path):
del_file (c_path)
其他:
os.remove (c_path)
if __name__==癬_main__”:
路径=癊:/模型/?
del_file(路径);
低=0;=2 * math.pi;
x=np。linspace(低,大学出版社,1000年);
y=func (x);
#数据采样
# x_sample=样本(低,,20);
x_sample=(0.09326442022999694, 0.5812590520508311, 1.040490143783586, 1.5504427746047338, 2.1589557183817036, 2.6235357787018407, 2.712578091093361, 2.7379109336528167, 3.0339662651841186, 3.147676812083248, 3.58596337171837, 3.6621496731124314, 3.81130899864203, 3.833092859928872, 4.396611340802901, 4.4481080339256875, 4.609657879057151, 5.399731063412583, 5.54299720786794, 5.764084730699906);
y_sample=func (x_sample);
#回调
filepath=" E:/模型/weights-improvement——{时代:00 d} .hdf5”;
检查点=ModelCheckpoint (filepath verbose=1, save_best_only=False,模式=癿ax”);
callbacks_list=(关卡);
#建立顺序神经网络层次模型
模型=顺序();
模型。add(密度(10,input_dim=1, init=爸品?激活=' relu '));
模型。添加(密度(1,init=爸品?激活=双曲正切));
亚当=亚当(lr=0.05);
model.compile (=癿ean_squared_error”损失,优化器=亚当,指标=[“准确性”]);
模型。fit (x_sample、y_sample nb_epoch=1000, batch_size=20,回调=callbacks_list);
#测试数据
x_new=np。linspace(低,大学出版社,1000年);
y_new=getfit(模型、x_new);
#数据可视化
plt.plot (x, y);
plt。散射(x_sample y_sample);
plt.plot (x_new y_new);
plt.show ();
