我们可以在with结构中使用tf.GradientTape()函数 实现某个函数对指定参数的求导运算
配合刚才讲过的variable函数，可以实现损失函数loss对参数w的求导运算
import tensorflow as tf
with tf.GradientTape() as tape:
w = tf.Variable(tf.constant(3.0))
loss = tf.pow(w, 2)
grad = tape.gradient(loss, w)
print(grad)
在这个例子中，w的初始值为3.0，损失函数是w的平方，损失函数对w求导数是2w，把初始值w=3.0带入结果是6.0
enumerate是枚举的意思，它可以枚举出每一个元素，并在元素前配上对应的索引号，组合为索引元素，常在for循环中使用
seq = ['one', 'two', 'three']
for i, element in enumerate(seq):
print(i, element)
在这个例子中 enumerate括号里是列表名，i接受索引号，element接受元素
索引号0对应字符串one
索引号1对应字符串two
索引号2对应字符串three
在分类问题时，我们常用独热码表示标签.比如之前的鸢尾花分类，如果标签是1表示分类结果是杂色鸢尾，把它用独热码的形式表示就是0 1 0。这样可以表示每个分类的概率，也就是百分之0的可能是 0狗尾草鸢尾、百分之百的可能是 0杂色鸢尾、百分之0的可能是 2弗吉尼亚鸢尾
TensorFlow中提供了one_hot函数，可以将待转换的数据直接转换为独热码形式
import tensorflow as tf
classes = 3
labels = tf.constant([1, 0, 2]) # 输入的元素值最小为0，最大为2
output = tf.one_hot(labels, depth=classes)
print("result of labels1:", output)
print("\n")
比如是3分类，一组标签是1、0、2，要把它们转换为独热码，用tf.one_hot函数，第一个变量写待转换的数据labels，第二个变量写几分类classes。赋值为3分类，把标签1 标签0 标签2转换为独热码，结果是010、100、001
对于分类问题，神经网络完成前向传播，计算出了每种类型的可能性大小1.01、2.01、-0.66。这些数字只有符合概率分布后，才可以与独热码标签做比较
于是我们使用这个公式 使输出符合概率分布
0.256表示0类鸢尾的概率是25.6%
0.695表示1类鸢尾的概率是69.5%
0.048表示2类鸢尾的概率是4.8%
TensorFlow中使用softmax函数，实现这个公式的计算
softmax函数可以使n分类的n个输出y0、y1…、yn-1符合概率分布，也就是每个输出值变为0到1之间的概率值，这些概率的和是1
import tensorflow as tf
y = tf.constant([1.01, 2.01, -0.66])
y_pro = tf.nn.softmax(y)
print("After softmax, y_pro is:", y_pro) # y_pro 符合概率分布
print("The sum of y_pro:", tf.reduce_sum(y_pro)) # 通过softmax后，所有概率加起来和为1
我们给出的这个例子，把神经网络向前传播结果1.01、2.01、-0.66组成张量y，送入softmax函数，输出就是这些符合概率分布的值
assign_sub()函数常用于参数的自更新，等待自更新的参数w，要先被指定为可更新的训练，也就是variable类型，才可以实现自更新
比如在这个例子中，w要先被定义为variable类型，初始值是4。对w做自减操作，可以用w.assign_sub()函数，()中是1，实现的是w=w-1的操作
运行结果：
w的初始值4做自减1的操作，w被更新为3
tf.argmax()可以返回指定操作轴方向最大值的索引号
比如对这个二维张量argmax、axis=0,返回纵向最大值的索引号，分别是
1 2 5 8，最大值是8，它的索引号是3
2 3 4 7，最大值是7，它的索引号是3
3 4 3 2，最大值是4，它的索引号是1
argmax、axis=1时，返回横向最大索引号，分别是
1 2 3，最大值是3，它的索引号是2
2 3 4，最大值是4，它的索引号是2
5 4 3，最大值是5，它的索引号是0
8 7 2，最大值是8，它的索引号是0