### ex2-1 ###

# Google Colaboratory 首頁
https://colab.research.google.com/


### ex2-2 ###

>>> print("Hello Python!")



### ex2-3 ###

# 上傳與解壓縮 ex2-2.zip，並執行 Python 程式 ex2-2.py
>>> !unzip /content/ex2-2.zip

>>> !python3 /content/ex2-2.py



### ex2-4 ###

# 匯入 Keras 的序列式模型類別
>>> from tensorflow.keras.models import Sequential

# 匯入 Keras 的密集層類別
>>> from tensorflow.keras.layers import Dense

# 建立神經網路
>>> model = Sequential()						# 建立序列模型物件，並指定給 model 變數，這時的model 就是一個神經網路了，但內容是空

# 加入第一層
>>> model.add(Dense(4, activation='relu', input_shape= (4, )))		# 輸入層形狀

# 加入第二層
>>> model.add(Dense(3, activation='relu'))				# 除第一層之外都不用指定 input_shape 參數

# 加入第三層
>>> model.add(Dense(1))							# 再加入一個密集層, 只有 1 個神經元, 並且不使用激活函數

# 顯示當前模型架構及參數
>>> model.summary()



### ex2-5 ###

# 匯入「房屋txt檔」和 「第三方函式庫」到 Colab
from google.colab import files

uploaded = files.upload()	# 匯入房屋 (.txt 檔)
uploaded = files.upload()	# 匯入 keras_lite_convertor 第三方函式庫



### ex2-6 ###

# 讀取 house.txt 檔案, 並得出特徵和標籤
import keras_lite_convertor as kc

path_name = 'house.txt'						# 檔案路徑
Data_reader = kc.Data_reader(path_name, mode='regression')	# 指定讀檔模式 (regression 適用於迴歸預測)
data, label = Data_reader.read(random_seed = 12)		# 將檔案讀到的 5 種資料分為「特徵」和「標籤」，並設定亂數種子為 12



### ex2-7 ###

>>> string = "52python"			# 字串容器：由字元組成
>>> string[2]				# 以字串的索引方式取值，結果為字串 'p'

>>> tuple = (1, (2, ), 3)		# tuple 容器：由資料物件組成
>>> tuple[1]				# 以 tuple 的索引方式取值，結果為 tuple (2, )

>>> list = [1, [2], 3]			# 串列容器：由資料物件組成
>>> list[1]				# 以串列的索引方式取值，結果為串列 [2]

>>> set = {1, '2', 3}			# 集合容器：由資料物件組成
					# 集合為無序，沒有索引

>>> dick = {'A':1, 'B':'2', 'C':3}	# 字典容器：由資料物件組成，以鍵：值表示
>>> dick['B']



### ex2-8 ###

import numpy as np
a = np.array([10, 2, 45, 32, 24])

>>> len(a)				# len() 會回傳容器內元素的數量
	
>>> a[2:4]				# 索引取值 (位置 2 ~ 3)

>>> a[:4]				# 索引取值 (位置 0 ~ 3)



### ex2-9 ###

# 資料預處理

# 取資料中的 90% 當作訓練集
split_num = int(len(data) * 0.9) 
train_data = data[:split_num]		# 訓練用資料 (689 * 0.9 = 620 筆)
train_label = label[:split_num]		# 訓練用標籤 (689 * 0.9 = 620 筆)

# 正規化
mean = train_data.mean()           	# 訓練資料的平均數
data -= mean                       	# data 減掉平均值
std = train_data.std()             	# 訓練資料的標準差
data /= std                        	# data 除以平均值

new_label = label/max(label)       	# 將 label 範圍落在 0 ~ 1 (label 正規化)



### ex2-10 ###

# 訓練集、驗證集、測試集的資料形狀

# 訓練集
train_data = data[:split_num]			# 訓練用資料
print(train_data.shape)    
train_label = new_label[:split_num]		# 訓練用標籤

# 驗證集
validation_data = data[split_num:-30]		# 驗證用資料
print(validation_data.shape)
validation_label = new_label[split_num:-30]	# 驗證用標籤

# 測試集
test_data = data[-30:]				# 測試用資料，30筆
print(test_data.shape)
test_label = new_label[-30:]			# 測試用標籤



### ex2-11 ###

# 建立神經網路架構
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense

model = Sequential()							# 建構網路模型                            
model.add(Dense(20, activation = 'relu', input_shape = (4,)))	  	# 增加一層神經層，使用 ReLU 激活函數，輸入層有4個輸入特徵
model.add(Dense(20, activation = 'relu'))				# 增加一層神經層，使用 ReLU 激活函數
model.add(Dense(1))							# 增加輸出為 1 的輸出層



### ex2-12 ###

# 編譯及訓練模型

# 編譯模型
model.compile(optimizer = 'adam', loss = 'mse', metrics = ['mae'])              
history = model.fit(train_data, train_label,					# 訓練集
                  validation_data = (validation_data, validation_label),	# 驗證集
                  epochs = 200)							# 訓練週期



### ex2-13 ###

# 查看損失值
import matplotlib.pyplot as plt

plt.plot(history.history['loss'], "r", label = 'loss')				# 訓練資料的損失值
plt.plot(history.history['val_loss'], "b", label = 'val loss')			# 驗證資料的損失值  
plt.legend()		# 顯示標籤
plt.show()		# 顯示圖片



### ex2-14 ###

# 資料比較圖
import numpy as np

plt.figure(figsize = (10,8))			# 定義一個視窗 (10,8 為視窗大小)
plt.subplots_adjust(hspace = 0.3)		# 調整兩張圖的間距

error = test_label.reshape(30, 1) * max(label) - model.predict(test_data) * max(label)		# 實際值 - 預測值 ( * max(label) 表示恢復原始值)
step = (max(error) - min(error)) / 15								# 把誤差分成 15 等份, 求出每一等份的長度
interval = [i for i in range(int(min(error)), int(max(error))+int(step), int(step))]		# 寫出每一等份的值

# 實際預測比較圖
width = 0.3
plt.subplot(2, 1, 1)			# 第一張圖位於視窗裡的位置 (2列1行的第二個位置 - 上)
plt.xlabel("test data")			# x 軸名稱
plt.ylabel("money")			# y 軸名稱
plt.bar(np.linspace(1, 30, 30) - width/2, (test_label * max(label)).reshape(30), width = width, label='actual')				# 實際值                            
plt.bar(np.linspace(1, 30, 30) + width/2, (model.predict(test_data) * max(label)).reshape(30), width = width, label = 'predict')	# 預測值
plt.legend()

# 誤差分布圖
plt.subplot(2, 1, 2)		# 第二張圖位於視窗裡的位置 (2列1行的第二個位置 - 下)
plt.xlabel("error")		# x軸名稱
plt.ylabel("quantity")		# y軸名稱
plt.hist(error, interval, linewidth=1, edgecolor = 'black')	# 顯示
plt.show()			# 將圖片顯示出來



### ex2-15 ###

# 建立欲預測的資料
data = np.array([[10, 6, 1, 0], 
          [10, 7, 1, 0], 
          [12, 5, 1, 1],
          [7, -1, 0, 1]])

# 資料正規化與預測資料
data = data - mean		# data 減掉平均數
data = data/std			# data 除以標準差
tem = model.predict(data)	# 得出預測值
tem = tem * max(label)		# 還原標籤資料
print(tem)			# 顯示標籤資料