import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt

# 定義資料數量
xdata = []
ydata = []
# 生成資料
xdata = np.linspace(1., 3., 10)  # 線性等分生成10個數據
# 擬合 y = a*x + b 的線性迴歸函式
# 定義 a=0.3,b=0.7，加上隨機噪聲
ydata = [0.3 * v + 0.7 + np.random.normal(0.0, 0.05) for v in xdata]

plt.scatter(xdata, ydata)
plt.show()

 
# 將陣列轉換為tensorflow可識別的 張量 格式
x = tf.convert_to_tensor(xdata)
y = tf.convert_to_tensor(ydata)
# 使用順序模型，自己搭建模型

model = tf.keras.Sequential()
# 新增Dense層，建立迴歸模型，搭建一個[1, 3, 1]的BP神經網路
model.add(tf.keras.layers.Dense(3, activation='relu', input_shape=(1,)))
model.add(tf.keras.layers.Dense(1, ))

# 檢視模型結構
model.summary()

 
# 編譯模型
model.compile(
    optimizer='SGD',
    loss='mse')

# 如果要看每一次訓練的具體情況，修改 verbose=1
history = model.fit(x, y,
                    epochs=1000,
                    verbose=0,
                    validation_split=0.2
                    )

# 用資料進行預測
xtest = tf.linspace(2., 3., 3)
y_pre = model.predict(xtest)
 
print('輸入的x資料為:', xtest.numpy())
print('預測的結果為:', y_pre)

# 畫擬合出來的曲線
fit_x_line = tf.linspace(1., 3., 100)
fit_y_line = model.predict(fit_x_line)
plt.plot(fit_x_line, fit_y_line, color='red')
plt.scatter(xdata, ydata)
plt.show()

# 畫訓練集和測試集的loss曲線
train_loss = np.array(history.history['loss'])
val_loss = np.array(history.history['val_loss'])
epoch = np.array(history.epoch)

train_line, = plt.plot(epoch, train_loss)
val_line, = plt.plot(epoch, val_loss)
plt.legend(handles=[train_line, val_line], labels=['train_loss', 'val_loss'])
plt.xlabel('epoch')
plt.ylabel('loss')
plt.show()