在iris鳶尾花分類的數據集上，用 tf.GradientTape 自定義模型訓練的方式來訓練模型
將 model.fit 和 model.compile 分解
import tensorflow as tf
from sklearn import datasets
from matplotlib import pyplot as plt
import numpy as np
x_data = datasets.load_iris().data
y_data = datasets.load_iris().target
# 隨機打亂數據（因爲原始數據是順序的，順序不打亂會影響準確率）
np.random.seed(6) # 隨機數種子
np.random.shuffle(x_data) # 打亂數據
np.random.seed(6)
np.random.shuffle(y_data)
tf.random.set_seed(6)
# 劃分數據集
x_train = x_data[:-30]
y_train = y_data[:-30]
x_test = x_data[-30:]
y_test = y_data[-30:]
# 轉換x的數據類型，否則後面矩陣相乘時會因數據類型不一致報錯
x_train = tf.cast(x_train, tf.float32)
x_test = tf.cast(x_test, tf.float32)
# from_tensor_slices函數使輸入特徵和標籤值一一對應。（把數據集分批次，每個批次batch組數據）
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)
# 生成神經網絡的參數，4個輸入特徵故，輸入層爲4個輸入節點；因爲3分類，故輸出層爲3個神經元
# 用tf.Variable()標記參數可訓練
# 使用seed使每次生成的隨機數相同（方便教學，使大家結果都一致，在現實使用時不寫seed）
w1 = tf.Variable(tf.random.truncated_normal([4, 3], stddev=0.1, seed=1))
b1 = tf.Variable(tf.random.truncated_normal([3], stddev=0.1, seed=1))
lr = 0.1 # 學習率爲0.1
train_loss_results = [] # 將每輪的loss記錄在此列表中，爲後續畫loss曲線提供數據
test_acc = [] # 將每輪的acc記錄在此列表中，爲後續畫acc曲線提供數據
epoch = 500 # 循環500輪
loss_all = 0 # 每輪分4個step，loss_all記錄四個step生成的4個loss的和
# 訓練部分
for epoch in range(epoch): #數據集級別的循環，每個epoch循環一次數據集
for step, (x_train, y_train) in enumerate(train_db): #batch級別的循環 ，每個step循環一個batch
with tf.GradientTape() as tape: # with結構記錄梯度信息
y = tf.matmul(x_train, w1) + b1 # 神經網絡乘加運算
y = tf.nn.softmax(y) # 使輸出y符合概率分佈（此操作後與獨熱碼同量級，可相減求loss）
y_ = tf.one_hot(y_train, depth=3) # 將標籤值轉換爲獨熱碼格式，方便計算loss和accuracy
loss = tf.reduce_mean(tf.square(y_ - y)) # 採用均方誤差損失函數mse = mean(sum(y-out)^2)
loss_all += loss.numpy() # 將每個step計算出的loss累加，爲後續求loss平均值提供數據，這樣計算的loss更準確
# 計算loss對各個參數的梯度
grads = tape.gradient(loss, [w1, b1])
# 實現梯度更新 w1 = w1 - lr * w1_grad b = b - lr * b_grad
w1.assign_sub(lr * grads[0]) # 參數w1自更新
b1.assign_sub(lr * grads[1]) # 參數b自更新
# 每個epoch，打印loss信息
print("Epoch {}, loss: {}".format(epoch, loss_all/4))
train_loss_results.append(loss_all / 4) # 將4個step的loss求平均記錄在此變量中
loss_all = 0 # loss_all歸零，爲記錄下一個epoch的loss做準備
# 測試部分
# total_correct爲預測對的樣本個數, total_number爲測試的總樣本數，將這兩個變量都初始化爲0
total_correct, total_number = 0, 0
for x_test, y_test in test_db:
# 使用更新後的參數進行預測
y = tf.matmul(x_test, w1) + b1
y = tf.nn.softmax(y)
pred = tf.argmax(y, axis=1) # 返回y中最大值的索引，即預測的分類
# 將pred轉換爲y_test的數據類型
pred = tf.cast(pred, dtype=y_test.dtype)
# 若分類正確，則correct=1，否則爲0，將bool型的結果轉換爲int型
correct = tf.cast(tf.equal(pred, y_test), dtype=tf.int32)
# 將每個batch的correct數加起來
correct = tf.reduce_sum(correct)
# 將所有batch中的correct數加起來
total_correct += int(correct)
# total_number爲測試的總樣本數，也就是x_test的行數，shape[0]返回變量的行數
total_number += x_test.shape[0]
# 總的準確率等於total_correct/total_number
acc = total_correct / total_number
test_acc.append(acc)
print("Test_acc:", acc)
print("--------------------------")
# 繪製 loss 曲線
plt.title('Loss Function Curve') # 圖片標題
plt.xlabel('Epoch') # x軸變量名稱
plt.ylabel('Loss') # y軸變量名稱
plt.plot(train_loss_results, label="$Loss$") # 逐點畫出trian_loss_results值並連線，連線圖標是Loss
plt.legend() # 畫出曲線圖標
plt.show() # 畫出圖像
# 繪製 Accuracy 曲線
plt.title('Acc Curve') # 圖片標題
plt.xlabel('Epoch') # x軸變量名稱
plt.ylabel('Acc') # y軸變量名稱
plt.plot(test_acc, label="$Accuracy$") # 逐點畫出test_acc值並連線，連線圖標是Accuracy
plt.legend()
plt.show()
訓練誤差：
測試集準確率：
