#目的：先學習衣服鞋子資料集(fashion_mnist)裡面的衣服鞋子圖片與鞋子名稱編號的關聯，然後再測試新的鞋子，預測它的名稱編號
#方法：建立深度學習模型，先學習train_images數據，然後再測試預測test_images

#（1）步驟1：載入tensorflow（含keras）等函數庫
import tensorflow as tf

#（2）步驟2：tensorflow裡面已經內建有fashion_mnist的資料集
#衣服鞋子資料集(fashion_mnist)，裡面的衣服鞋子種類有10類，圖片有7萬張（每一類鞋子有7千張），每張圖片28x28像素
mnist = tf.keras.datasets.fashion_mnist
#讀入衣服鞋子資料集：mnist.load_data()
#訓練學習用的資料圖片vs衣服鞋子編號：(training_images, training_labels)，共6萬張圖片，可以提供訓練學習用
#預測用的資料圖片vs衣服鞋子編號：(test_images, test_labels)，共1萬張圖片，可以提供預測用
(training_images, training_labels) ,  (test_images, test_labels) = mnist.load_data()

#（3）步驟3：輸入檔案的預先處理（正規化，變成0～1的數據）
#色階是指顏色的明暗度，共有256個色階，從0到255，0表示最暗的黑色，255表示最亮的白色
#照片檔案的色階/255，就可以把最大值變成1（變成0～1的向量數值）
training_images = training_images/255.0
test_images = test_images/255.0

#（4）步驟4：建立深度學習的模型(Model)
# 建立三層神經網絡（第1層隱藏層，第2層隱藏層，輸出層）(輸入層不算在三層之一)
#A. 第1層隱藏層(同時在此層設定輸入層大小）[tf.keras.layers.Flatten()，輸入層向量大小=28x28
#B. 第2層隱藏層[tf.keras.layers.Dense，向量大小=1024
#C. 第3輸出層[tf.keras.layers.Dense，向量大小=10（10種鞋子種類）
#Flatten層：又名扁平層，平坦層：把多維的輸入壓扁為一維輸出
#Dense層：為上下緊密連結的神經網路層
#激勵函數activation=tf.nn.relu，relu函數會把x>0的值輸出x，x<=0的數字全部輸出0
#激勵函數activation=tf.nn.softmax，softmax函數會輸出向量元素裡面的最大值
model = tf.keras.Sequential(
[
  tf.keras.layers.Flatten(input_shape=[28, 28]),
  tf.keras.layers.Dense(1024, activation='relu'),
  tf.keras.layers.Dense(10, activation='softmax')
])

#（5）步驟2：確立求解的目標函數，設定求解方法：
#方法：用keras的model.compile()函數來設定（A.損失函數(loss)、B.優化函數(optimizer)，C.成效衡量指標(mertrics)
model.compile(
  #第1種寫法：使用參數設定（例如‘adam')
    #optimizer='adam',
    #loss = 'sparse_categorical_crossentropy',
    #metrics=['accuracy']
  #第2種寫法：使用物件類別（例如Adam())
    optimizer=tf.keras.optimizers.Adam(),
    loss=tf.keras.losses.SparseCategoricalCrossentropy(),
    #若是用以下這行會出現錯誤
    #metrics=tf.keras.metrics.Accuracy()
    #要修改成其它物件類別，才能run
    #metrics=tf.keras.metrics.SparseCategoricalAccuracy()
    #或是改成這個（但是這些不同參數的設定，都會改變結果的預測，尤其是i=12，sneaker或sandal）
    metrics=tf.keras.metrics.SparseCategoricalCrossentropy()    
  )  
#（6）步驟3：用建立的模型來『訓練』已經存在的數據：
#方法：用model.fit()函數進行訓練，
#A).必須先指定訓練的樣本資料(x,y)來源，並撥一部分資料作驗證(validation_split=0.2)，
#B).還要設定訓練幾個週期(epochs=10)、訓練資料的抽樣方式
model.fit(training_images, training_labels, epochs=5)

#（7）步驟4：『評估(Evaluation)』該模型的成效
#方法：該模型經過訓練完後，用model.evaluate()函數，針對test_images新的測試數據，來計算其成效分數，以評估模型好壞
#訓練的結果，會傳回test_loss（測試數據的誤差值）, test_acc（測試數據的準確率）
test_loss, test_acc = model.evaluate(test_images, test_labels)
print('\n評估test數據的預測正確度(Test accuracy):', test_acc)

#（8）步驟5：『預測(Prediction)』新數據x（鞋子圖test_image）所對應的y值（鞋子樣式編號=classifications）
#方法：經過反覆訓練，有了可信模型後，用model.predict()函數，針對test_images新的測試數據，來預測對應的y值（鞋子樣式編號=classifications）
#注意：鞋子樣式編號=classifications，是一個陣列
pred_classifications = model.predict(test_images)

#（9）步驟6：繪出測試數據的x值(test_images)的圖，及其已經知道的y值(鞋子樣式編號)
#載入繪圖的函數庫matplotlib.pyplot
import matplotlib.pyplot as plt
#畫出(第一個)測試樣品的圖
plt.imshow(test_images[0])

#顯示(第一個)測試樣品圖片的檔案（向量陣列）
print('顯示(第一個)測試樣品圖片的檔案=', test_images[0])

#顯示(第一個)測試樣品，所屬的鞋子樣式編號（09代表短靴）
print('顯示(第一個)測試樣品，所屬的鞋子樣式編號=', test_labels[0])

#（10）步驟7：給一個測試x數據(test_images[0])，預測其所屬的鞋子樣式編號（pred_classifications[0]）
#類神經網路AI對於(第一個)測試樣品的預測（10個樣品中的哪一個？）（向量陣列編號0～9，若是編號9代表短靴）
print('類神經網路AI對於(第一個)測試樣品的預測（10個樣品中的哪一個？）=', pred_classifications[0])