（30）损失度代码运行

接下来绘制我们AI案例的图形。

通过plt.plot(loss_log) 传进要进行可视化的数据集loss_log，然后调用

plt.show() 显示可视化结果。

运行Create_AI_Framework_In5Classes(Day4)的Neuron_Network_Entry.py代码，显示结果如下：

+1      V1      V2      

打印出Epoch的损失度，注意，每隔100个Epoch打印一次误差。并打印一行语句：“Congratulations! All Epoch is completed!!!”，这里的损失度没有改变，损失度的绘图结果为：

Neuron_Network_Entry.py中运用BackPropagation.applyBackPragation，然后根据计算后的结果计算一次损失度，每隔100次Epoch打印一次，但损失度并没有做改变，那没有做改变的原因是什么？是因为之前在BackPropagation.py中实现的Back Propagation算法并没有实际更新我们的神经网络，但BackPropagation.py代码中实现的确实是Back Propagation的过程。BackPropagation.py代码中有一个非常小的细节要修改，我们将在下一章节进行修改，修改代码以后，损失度结果图形将立即改变，最初的时候曲线可能非常高，然后是一个渐渐的降低的过程。改进优化的结果可能精确度在95%以上，误差在5%以内。

至此，从编写框架的角度讲，我们已经走完了Tensorflow、Pytorch最原始的第一步。以后除了精确度达到95%以上，甚至要达到99.5%以上，需要怎么做？作为人工智能的开发者，将对这个特别感兴趣，一生将围绕降低损失度工作，就像损失度Loss就是所有AI框架终身的魔咒一样，所有的框架都想在最短时间内最大程度的降低损失度，包括使用不同的学习率、激活函数等，都是为最大程度的降低损失度，例如使用Sigmoid计算的损失度，使用ReLU的方式计算的损失度，损失度不一样，都是为了最快时间最大程度的降低损失度，接近真实值。这是所有的框架，包括Tensorflow、Pytorch，终身奋斗的目标！怎么在最短时间（毫秒级别），训练最大程度的符合真实的情况，最好没有损失度，这也是人工智能应用开发者终身的的魔咒！