神经网络：采集大量数据对构成数据集
花萼长、花萼宽、花瓣长、花瓣宽（输入特征）---->对应的类别（标签，需要人工标定）
把数据集喂入搭建好的神经网络结构，网络通过反向传播优化参数得到模型，模型读入新输入特征，输出识别结果。
输入数据：一行四列
输出数据：一行三列
权重w：四行三列
偏置b：三个
神经元：输出层的每一个小球
搭建网络：全连接网络（里面的每一个神经元y0、y1、y2和前面一层 的每一个节点x0、x1、x2、x3都有连接）
网络搭建好后，线上的w、b会被随机初始化一些随机数。
喂入一组输入特征5.8、4.0、1.2、0.2，和它们对应的标签：0狗尾草鸢尾；
神经网络执行前向传播x*w+b计算出y。
输出y，数据最大的就是可能性最高的，是1，而不是标签0。因为w、b是随机生成的。
用到损失函数（预测值和标准值之间的差距，越小越好）
均方误差是一种常用的损失函数。它计算每个前向传播输出y和标准答案y_的差，求平方，再求和，再除以n求平均值，表征了网络前向传播推理（结果）和标准答案之间的差距。
import tensorflow as tf
#设置w的随机初始值为5,设定为可训练
w = tf.Variable(tf.constant(5,dtype=tf.float32))
#学习率为0.2
lr = 0.2
#循环迭代40次
epoch = 40
for epoch in range(epoch):#定义顶层循环，表示对数据集循环epoch次
with tf.GradientTape() as tape:#11-13梯度的计算过程
loss = tf.square(w + 1)#损失函数定义为(w+1)^2
grads = tape.gradient(loss,w)#.gradient函数告知对谁求导 loss对w的导数 损失函数对偏置的导数
w.assign_sub(lr * grads)#.assign_sub对变量做自减 w(t+1)=w(t)-lr*偏导数
print("After %s epoch,w is %f,loss is %f" % (epoch,w.numpy(),loss))
#lr初始值：0.2 修改学习率 0.001（太小） 0.999（太大） 看收敛过程
#最终目的：找到loss最小 即w=-1的最优参数w
