#coding:utf-8
 import numpyas  np
 import pandas as pd
 import matplotlib.pyplotas  plt
 import tensorflowas  tf
 from sklearn.model_selection  import train_test_split
 from sklearnimport  preprocessing
 
 plt.rcParams['font.sans-serif']  = ['SimHei']
 plt.rcParams['axes.unicode_minus']  = False
 # 数据读取
 df= pd.read_csv('iris.csv',  delimiter=',')
 # 对类别进行数值化处理
 le = preprocessing.LabelEncoder()
 df['Cluster'] = le.fit_transform(df['Species'])
 # 三个输入值
 x = df[['SepalLengthCm','SepalWidthCm','PetalLengthCm']]
 # 一个输出值
 y = df[['PetalWidthCm']]
 # 设置种子使得结果可复现
 sess = tf.Session()
 # 如何设置随机种子，需要考虑
 seed = 2
 tf.set_random_seed(seed)
 np.random.seed(seed)
 # 创建训练集与测试集的划分
 x_train, x_test,y_train, y_test = train_test_split(x,  y, train_size = 0.8, test_size = 0.2)
 # 添加三个占位符，用做输入（即花萼长度、花萼宽度和花瓣长度）
 x_data = tf.placeholder(shape=[None,  3],  dtype=tf.float32)

# 添加一个占位符，用输出（即花瓣宽度）
 y_target = tf.placeholder(shape=[None,  1],  dtype=tf.float32)
 # 单个隐藏层：五个节点（这里我们设计了五个节点）
 hidden_layer_nodes = 5
 weights  = tf.Variable(tf.random_normal(shape=[3,  hidden_layer_nodes]))
 biase  = tf.Variable(tf.random_normal(shape=[hidden_layer_nodes]))
 # 隐藏层输出，即输出层的输入
 # 激励函数：
 hidden_output = tf.nn.relu(tf.add(tf.matmul(x_data,weights),biase))
 # 结果层
 weights = tf.Variable(tf.random_normal(shape=[hidden_layer_nodes, 1]))
 biase  = tf.Variable(tf.random_normal(shape=[1]))
 # 激励函数使用的是ReLu，它可快速收敛，但容易出现极值
 final_output = tf.nn.relu(tf.add(tf.matmul(hidden_output,  weights),biase))
 # 定义损失函数,采用模型输出和预期值差值的L1范数平均
 loss = tf.reduce_mean(tf.abs(y_target - final_output))
 # 标准梯度下降优化算法，使用梯度下降优化器来基于损失值的导数去更新权重。
 # 优化器采用一个学习率来调整每一步更新的大小，注意学习率的调参
 my_opt = tf.train.GradientDescentOptimizer(learning_rate=0.001)
 # 最小化损失函数
 train_step = my_opt.minimize(loss)
 # 初始化
 init = tf.global_variables_initializer()

# 进行
 sess.run(init)
 loss_vec = [] #训练操失
 test_loss = [] #测试操失
 # 遍历迭代训练模型
 for i in range(2000):
     # 训练
     sess.run(train_step,  feed_dict={x_data:x_train, y_target:y_train})
     # 训练数据评估模型
     temp_loss  = sess.run(loss, feed_dict= {x_data:x_train, y_target:y_train})
     loss_vec.append(np.sqrt(temp_loss))
     # 测试数据评估模型
     test_temp_loss  = sess.run(loss, feed_dict= {x_data:x_test, y_target:y_test})
     test_loss.append(np.sqrt(test_temp_loss))

# 输出损失
     if (i+1)%500  ==  0:
         print('迭代次数:'  + str(i+1)  + '。损失： ' +  str(temp_loss))
 # 输出预测精确度
 y_pred = sess.run(final_output,feed_dict={x_data:x_test})
 print("花瓣宽度预期差值(百分比)：{}%".format(np.mean(abs(y_test-y_pred)*100/y_test)))
 
 plt.plot(loss_vec,  'k-', label ='训练损失')
 plt.plot(test_loss,  'r--', label ='测试损失')
 plt.title('损失')
 plt.xlabel('迭代次数')
 plt.ylabel('损失')
 plt.legend(loc='upper right')
 plt.show()