#目的：目的：從一堆xy對應數據，找出迴歸線（歸納找出趨勢）
#方法：建立深度學習模型，來找出xy的對應關係式

#（1）步驟1：import tensorflow library（TensorFlow and keras）
import tensorflow as tf

#（2）步驟2：使用神經網絡模型，單層神經，一個神經元units=1
#Dense層：為上下緊密連結的神經網路層
#建立1層神經網絡（第1層=輸出層）(輸入層不算在層之一)
#第1層隱藏層(同時在此層要設定輸入層大小）[keras.layers.Dense(units=1,input_shape=[1])]
#model=keras.Sequential([keras.layers.Dense(units=1,input_shape=[1])])
model = tf.keras.Sequential(
[
    tf.keras.layers.Dense(units=1,input_shape=[1])
])

#（3）步驟3：確立求解的目標函數，設定求解方法(需要設定兩個參數：A.優化函數optimizer，B.損失函數loss）
#先用損失函數來評估模型計算結果的好壞，然後用優化函數來生成新的猜測數據，然後一直逼近正確的解答
#在keras有多種優化函數(Optimizer):Adam，SGD，RMSprop，Adagrad，Adadelta，Adam等
#梯度下降最常見三種：BGD，SGD，MBGD
#SGD：隨機梯度下降法（SGD：stochastic gradient descent）
#目標函數=誤差函數=loss：mean_squared_error = 均方誤差函數 = 預測值與實際值的差距之平均值。
#model.compile(optimizer='sgd',loss='mean_squared_error')
#9.步驟9：確立求解的目標函數，設定求解方法：
model.compile(
  #第1種寫法：使用參數設定（例如‘sgd')
    #optimizer='sgd',
    #loss='mean_squared_error',
    #metrics=['accuracy']
  #第2種寫法：使用物件類別（例如SGD())
    optimizer=tf.keras.optimizers.SGD(),
    loss=tf.keras.losses.MeanSquaredError(),
    #metrics=tf.keras.metrics.Accuracy() #這個設定的預測值，會較差
    metrics=tf.keras.metrics.MeanSquaredError()  #這個設定的預測值，會較準確
)

#（4）步驟4：設定(x,y)數據，計算迴歸線（500次的循環，會反复計算x,y值）
import numpy as np
xs = np.array([-1.0,0.0,1.0,2.0,3.0,4.0],dtype=float)
ys = np.array([-3.0,-1.0,1.0,3.0,5.0,7.0],dtype=float)

#（5）步驟5：訓練模型：
#方法：用model.fit()函數進行訓練，
#總共經過500次循環，反复猜測新數據，再驗證是否更接近解答
model.fit(xs,ys,epochs=500)

#（6）步驟6：預測
#經過500次計算後，就產生出一個經過訓練後的模型，可以用它來做新的預測，例如：由x=10.0，預測新的y=？
print()
print("若x=10，使用模型來預測y=",model.predict([10.0]))