1.可根据Iris特征直接判断
2.神经网络方法，采集大量的Iris特征，分类对应标签，构成数据集。
将数据集喂入搭好的神经网络结构，网络通过反向传播优化参数得到模型。
有新的网络送入到模型里，模型会给出识别结果。
3.具体实现过程。
Iris有4个特征，分类总共三种，构成的神经网络如下所示
MP模型
转化为Iris Y(1, 3) = X (1, 4) * W(4, 3) + b(3,) 三个偏置项
此网络为全连接网络
神经网络执行前向传播 y = x * w + b
因为W， B是随机初始化，所以答案不准确
运用损失函数定义预测值(y)与标准答案(y_)之间的差距。
损失函数可以判断当前W和b的优劣，当损失函数值最小时，W和b最优
损失函数的表达方法之一就是：均方误差：MSE(y, y_) =
表示网络前向传播推理与标准答案之间的差距。
目的：找到最优的W和b
梯度：函数对各个参数求偏导后的向量。函数梯度下降方向是函数减小的方向
梯度下降法：沿损失函数梯度下降的方向，寻找损失函数的最小值，得到最优的参数的方法。
学习率：当学习率设置的过小时，收敛过程变得缓慢，过大，会在错过最小值
梯度下降法更新参数的计算。 lr 学习率
求wt+1 = wt - lr*对wt求偏导
这里假设损失函数为(W+1)^2, 对w进行求偏导
import tensorflow as tf
w = tf.Variable(tf.constant(5, dtype=tf.float32))
lr = 0.2
epoch = 40
for epoch in range(epoch): # for epoch 定义顶层循环，表示对数据集循环epoch次，此例数据集数据仅有1个w,初始化时候constant赋值为5，循环40次迭代。
with tf.GradientTape() as tape: # with结构到grads框起了梯度的计算过程。
loss = tf.square(w + 1)
grads = tape.gradient(loss, w) # .gradient函数告知谁对谁求导
w.assign_sub(lr * grads) # .assign_sub 对变量做自减 即：w -= lr*grads 即 w = w - lr*grads
print("After %s epoch,w is %f,loss is %f" % (epoch, w.numpy(), loss))
# lr初始值：0.2 请自改学习率 0.001 0.999 看收敛过程
# 最终目的：找到 loss 最小 即 w = -1 的最优参数w
