https://blog.csdn.net/oMoDao1/article/details/81222465
爲防止matplotlib畫完圖後自動關閉圖像窗口，可以在代碼的尾部加上 pyplot.pause(0)
例：
import tensorflow as tf
import numpy as np
import matplotlib.pylab as plt
def add_layer(inputs,in_size,out_size,activation_function=None):
#Weights是一個矩陣，[行，列]爲[in_size,out_size]
Weights=tf.Variable(tf.random_normal([in_size,out_size]))#正態分佈
#初始值推薦不爲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
#激活
if activation_function is None:
#激活函數爲None，也就是線性函數
outputs=Wx_plus_b
else:
outputs=activation_function(Wx_plus_b)
return outputs
"""定義數據形式"""
# (-1,1)之間，有300個單位，後面的是維度，x_data是有300行（300個例子）
x_data=np.linspace(-1,1,300)[:,np.newaxis]
# 加噪聲,均值爲0，方差爲0.05，大小和x_data一樣
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])
"""建立網絡"""
#定義隱藏層，輸入1個節點，輸出10個節點
l1=add_layer(xs,1,10,activation_function=tf.nn.relu)
#定義輸出層
prediction=add_layer(l1,10,1,activation_function=None)
"""預測"""
#損失函數,算出的是每個例子的平方，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]))
"""訓練"""
#優化算法,minimize(loss)以0.1的學習率對loss進行減小
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()
#連續性的畫圖
ax=fig.add_subplot(1,1,1)
ax.scatter(x_data,y_data)
# 不暫停
plt.ion()
# plt.show()繪製一次就會暫停
# plt.show() #也可以用plt.show(block=False)來取消暫停，但是python3.5以後提供了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%50==0:
# print(sess.run(loss,feed_dict={xs:x_data,ys:y_data}))
#嘗試先抹除，後繪製第二條線
#第一次沒有線，會報錯，try就會忽略錯誤，然後緊接着執行下面的步驟
try:
# 畫出一條後抹除掉,去除第一個線段，但是隻有一個，也就是抹除當前的線段
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線寬
# 暫停0.1s
plt.pause(0.1)
plt.pause(0)