这一系列的文章是【北京大学】Tensorflow2.0_哔哩哔哩_bilibili的笔记，这个课程讲得很好，推荐观看。话不多说直接放代码：
# 第一步：加载所需的库：
import tensorflow as tf
import numpy as np
from sklearn.datasets import load_iris
import matplotlib.pyplot as plt
# 第二步：读取数据：
X= load_iris().data #特征
y= load_iris().target #标签
type(X), type(y) #读取的数据是numpy数组
np.random.seed(116) #设定随机种子
np.random.shuffle(X) #打乱X的顺序
np.random.seed(116) #再次设定随机种子，一定要和上面的一样，否则y的顺序会和X不匹配
np.random.shuffle(y) #打乱y的顺序
tf.random.set_seed(116) #这个种子是为了神经网络的运行结果可复现
#分割训练集和测试集
X_train= X[:-30]
X_test= X[-30:] #最后30个数据作为测试集，下同
y_train= y[:-30]
y_test= y[-30:]
#下面这个是将数据分批输入神经网络，每批为32个数据
train_db= tf.data.Dataset.from_tensor_slices((X_train, y_train)).batch(32)
test_db= tf.data.Dataset.from_tensor_slices((X_test, y_test)).batch(32)
#第三步：建模
lr= 0.1 #学习率
train_loss_results= [] #记录训练损失
loss_all= 0 #在每个epoch中记录总损失
test_acc= [] #记录测试准确率
epoch= 500 #每条数据将会放入网络中500次，即迭代次数为500
#初始化权重：
w1= tf.Variable(tf.random.truncated_normal([4, 3], stddev= 0.1, seed= 1, dtype= tf.float64))
b1= tf.Variable(tf.random.truncated_normal([3], stddev= 0.1, seed= 1, dtype= tf.float64))
for epoch in range(epoch):
for step, (X_train, y_train) in enumerate(train_db): #因为有120条训练集数据，而batch=32，因此每次迭代会分为4个step
with tf.GradientTape() as tape: #梯度下降
y= tf.matmul(X_train, w1)+ b1
y= tf.nn.softmax(y) #将输出放进softmax激活函数中
y_= tf.one_hot(y_train, depth= 3, dtype= tf.float64) #将真实标签进行独热编码
loss= tf.reduce_mean(tf.square(y_-y)) #使用均方误差损失
loss_all+= loss.numpy() #将每个step产生的损失加到loss_all中作为这一个epoch的总损失
grads= tape.gradient(loss, [w1, b1]) #参数更新
w1.assign_sub(lr*grads[0])
b1.assign_sub(lr*grads[1])
print(f'epoch: {epoch}, loss: {loss_all/4}') #因为我们需要的是平均损失，因此要除以step数
train_loss_results.append(loss_all/4) #记录下这一个epoch的损失以备画图
loss_all= 0 #将此次epoch的损失重置为0以便记录下一个epoch的损失
#测试：
total_correct, total_number= 0, 0 #记录正确预测数与测试集大小
for X_test, y_test in test_db:
y= tf.matmul(X_test, w1)+ b1
y= tf.nn.softmax(y)
pred= tf.argmax(y, axis= 1)
pred= tf.cast(pred, dtype= y_test.dtype)
correct= tf.cast(tf.equal(pred, y_test), dtype= tf.int32) #将布尔型张量转化为整形张量
correct= tf.reduce_sum(correct) #将correct的各个分量加总得到这一个step中正确预测的数目
total_correct+= int(correct) #得到所有step预测正确的总数
total_number+= X_test.shape[0] #因此此时的X_test已不再是整个测试集，而只是测试集的一个step，因此要将各个step的X_test
#的大小加起来才得到整个测试集的大小
acc= total_correct/total_number #正确预测的条数除以测试集大小得到准确率
test_acc.append(acc) #记录准确率
#第四步：画图
#画损失曲线：
plt.title('loss function curve') #图表标题
plt.xlabel('Epoch') #X轴标签
plt.ylabel('Loss') #y轴标签
plt.plot(train_loss_results, label= 'Loss') #将每个epoch的损失连起来
plt.legend() #标注出图例
plt.show() #展示出来
#画准确率曲线：
plt.title('accuracy curve')
plt.xlabel('Epoch')
plt.ylabel('Accuracy')
plt.plot(test_acc, label= 'Accuracy')
plt.legend()
plt.show()
