tf2.0入门实战，神经网络实现简单的分类任务

数据类型分析

from sklearn import datasets
import pandas as pd

#导入数据和标签
x_data = datasets.load_iris().data
y_data = datasets.load_iris().target
x_data = pd.DataFrame(x_data, columns=['花萼长度','花萼宽度','花瓣长度','花瓣宽度'])
pd.set_option('display.unicode.east_asian_width', True)#设置列名对其
x_data['类别'] = y_data #新加一列，类别标签为y_data
print(x_data)

运行结果：

由图可见，鸢尾花数据集中共有150个样本，包含4个特征，分为3个类别，由于数据量小故采用简单的单层神经网络即可实现分类。

神经网络模型：

这里使用一层包含4个单元的神经网络和3个输出节点相连，最后用softmax实现分类任务

该分类任务需要完成如下操作：
数据读入和处理

1. 导入数据
2. 打乱数据
3. 分开测试集和训练集
4. 将训练和测试的样本与标签配对，并设置batch

搭建网络
定义神经网络中的可训练参数

参数训练和优化
前向传播计算和反向求梯度更新优化参数，并显示当前损失值loss

测试
计算模型每训练一次epoch的测试集准确率，并显示当前正确率acc

结果可视化
画出acc和loss曲线

**

完整代码

**

from sklearn import datasets
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import tensorflow as tf
from sklearn.utils import shuffle

# 导入数据和标签
x_data = datasets.load_iris().data
y_data = datasets.load_iris(