1 .多曲线
1.1使用py plot方式导入编号as NP
import matplotlib.pyplot as plt
x=NP.arange (1，11，1 ) ) )。
PLT.plot(x，x * 2，label='First ' ) ) ) ) ) ) ) )。
PLT.plot(x，x * 3，label='Second ' ) ) ) ) ) ) ) ) )。
(PLT.plot(x，x * 4，label='Third ' () ) ) ) ) ) ) ) 65
PLT.legend(loc=0，ncol=1)参数： loc设定显示的位置，0为自适应； ncol设置要显示的列数
plt.show () )
1.2使用面向对象的import numpy as np
import matplotlib.pyplot as plt
x=NP.arange (1，11，1 ) ) )。
fig=plt.figure (
#ax.plot(x，x * 2) ) )。
#ax.legend(ryddydemo“)、loc=0) ) ) ) ) ) ) ) )。
plt.show () )
2 .双y轴曲线
合并双y轴曲线图例是一项很难的任务，对于MNIST，现在使用loss/accuracy绘制曲线。 导入tensor flow as TF
fromtensorflow.examples.tutorials.mnistimportinput _ data
导入时间
import matplotlib.pyplot as plt
import numpy as np
x _ data=TF.placeholder (TF.float 32，[None，784] ) ) ) ) )。
y _ data=TF.placeholder (TF.float 32，[None，10] ) ) ) )。
x_image=TF.reshape(x_data，[-1，28，28，1 ]
# convolve layer 1
filter1=TF.variable (TF.truncated _ normal ([ 5，5，1，6 ] ) )
bias1=TF.variable (TF.truncated _ normal ([6] ) )
conV1=TF.nn.conv2D(x_image，filter1，strides=[ 1，1，1 ]，padding='SAME ' () ) ) ) ) ) ) )
h _ con v1=TF.nn.sigmoid (con v1 bias1) )。
max pool2=TF.nn.max _ pool (h _ con v1，k size=[ 1，2，2，1 ]，strides=[ 1，2，2，1 ]，padding='SAME ' )
# convolve layer 2
filter2=TF.variable (TF.truncated _ normal ([ 5，5，6，16 ] ) )
bias2=TF.variable (TF.truncated _ normal ([ 16 ] ) )
conV2=TF.nn.conv2D(maxpool2，filter2，strides=[ 1，1，1，1 ]，padding='SAME ' ) () ) ) ) ) ) )。
h _ con v2=TF.nn.sigmoid (con v2 bias2) )。
max pool3=TF.nn.max _ pool (h _ con v2，k size=[ 1，2，2，1 ]，strides=[ 1，2，2，1 ]，padding='SAME ' )
# convolve layer 3
filter3=TF.variable (TF.truncated _ normal ([ 5，5，16，120 ] ) )
bias3=TF.variable (TF.truncated _ normal ([ 120 ] ) )
conV3=TF.nn.conv2D(maxpool3，filter3，strides=[ 1，1，1，1 ]，padding='SAME ' ) ) ) ) )。
h _ con v3=TF.nn.sigmoid (con v3 bias3) )。
#全连接第1层
w _ fc1=TF.variable (TF.truncated _ normal ([7*7* 120，80 ] ) )
b _ fc1=TF.variable (TF.truncated _ normal ([8]
0]))h_pool2_flat = tf.reshape(h_conv3, [-1, 7 * 7 * 120])
h_fc1 = tf.nn.sigmoid(tf.matmul(h_pool2_flat, W_fc1) + b_fc1)
# full connection layer 2
W_fc2 = tf.Variable(tf.truncated_normal([80, 10]))
b_fc2 = tf.Variable(tf.truncated_normal([10]))
y_model = tf.nn.softmax(tf.matmul(h_fc1, W_fc2) + b_fc2)
cross_entropy = - tf.reduce_sum(y_data * tf.log(y_model))
train_step = tf.train.GradientDescentOptimizer(1e-3).minimize(cross_entropy)
sess = tf.tsdxwz()
correct_prediction = tf.equal(tf.argmax(y_data, 1), tf.argmax(y_model, 1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))
sess.run(tf.global_variables_initializer())
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)
fig_loss = np.zeros([1000])
fig_accuracy = np.zeros([1000])
start_time = time.time()
for i in range(1000):
batch_xs, batch_ys = mnist.train.next_batch(200)
if i % 100 == 0:
train_accuracy = sess.run(accuracy, feed_dict={x_data: batch_xs, y_data: batch_ys})
print("step %d, train accuracy %g" % (i, train_accuracy))
end_time = time.time()
print("time:", (end_time - start_time))
start_time = end_time
print("********************************")
train_step.run(feed_dict={x_data: batch_xs, y_data: batch_ys})
fig_loss[i] = sess.run(cross_entropy, feed_dict={x_data: batch_xs, y_data: batch_ys})
fig_accuracy[i] = sess.run(accuracy, feed_dict={x_data: batch_xs, y_data: batch_ys})
print("test accuracy %g" % sess.run(accuracy, feed_dict={x_data: mnist.test.images, y_data: mnist.test.labels}))
# 绘制曲线
fig, ax1 = plt.subplots()
lns1 = ax1.plot(np.arange(1000), fig_loss, label="Loss")
# 按一定间隔显示实现方法
# ax2.plot(200 * np.arange(len(fig_accuracy)), fig_accuracy, 'r')
lns2 = ax2.plot(np.arange(1000), fig_accuracy, 'r', label="Accuracy")
# 合并图例
lns = lns1 + lns2
labels = ["Loss", "Accuracy"]
# labels = [l.get_label() for l in lns]
plt.legend(lns, labels, loc=7)
plt.show()
注：数据集保存在MNIST_data文件夹下
其实就是三步：
1)分别定义loss/accuracy一维数组fig_loss = np.zeros([1000])
fig_accuracy = np.zeros([1000])
# 按间隔定义方式：fig_accuracy = np.zeros(int(np.ceil(iteration / interval)))
2)填充真实数据fig_loss[i] = sess.run(cross_entropy, feed_dict={x_data: batch_xs, y_data: batch_ys})
fig_accuracy[i] = sess.run(accuracy, feed_dict={x_data: batch_xs, y_data: batch_ys})
3)绘制曲线fig, ax1 = plt.subplots()
lns1 = ax1.plot(np.arange(1000), fig_loss, label="Loss")
# 按一定间隔显示实现方法
# ax2.plot(200 * np.arange(len(fig_accuracy)), fig_accuracy, 'r')
lns2 = ax2.plot(np.arange(1000), fig_accuracy, 'r', label="Accuracy")
# 合并图例
lns = lns1 + lns2
labels = ["Loss", "Accuracy"]
# labels = [l.get_label() for l in lns]
plt.legend(lns, labels, loc=7)
以上这篇TensorFlow绘制loss/accuracy曲线的实例就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持爱安网。