参考：《深度学习图像识别技术--基于TensorFlow Object Detection API 和 OpenVINO》
问题：假设你的生物学家，要对鸢尾(Iris)花分类。Iris有300多类，这里仅仅对Iris setosa，Iris virginica，Iris versicolor 这三类进行识别，如下图所示
本文范例程序下载地址：IrisClassifier.py
方法有很多种，比如，基于CNN的深度学习，直接学习图像。这里采用更加简单的方法，通过 sepals（花萼）和 petals（花瓣）的长度和宽度数据，进行模型训练和分类，这样更加适合初学者。
收集和构架数据集要花很多时间，幸运的是，已经有现成的Iris flower data set，which contains a set of 150 records under 5 attributes - Petal Length , Petal Width , Sepal Length , Sepal width and Class 如下图所示
基于这样的数据集（DataSet），可以让我们更加专注于学习机器学习的算法，而不需要花大量时间准备数据
第一步：下载训练数据集：
我们需要把dataset文件下载到本地，然后把它转化为Python可以使用的数据结构。范例代码如下：
打开文件：C:\Users\tf\.keras\datasets\iris_training.csv
可以看到有120行数据，跟Iris data set wiki里面说的不大一样，不过没有关系，不影响训练。
前四列是Features，分别是：Petal Length , Petal Width , Sepal Length , Sepal width
第五列是label，分别用整型数来代表花的种类，对机器来说，用整型数比用字符串更加方便，但我们要知道整型数和花种类之间的映射：
0: Iris setosa
1: Iris versicolor
2: Iris virginica
第二步：解析（Parse）数据集
下载到本地的数据集iris_training.csv 是一个 CSV格式的文本文件, TensorFlow模型还不能直接使用。我们需要把feature和label的值按照TensorFlow模型的数据输入要求，重新格式化。
创建一个函数 parse_csv
输入参数是：iris_training.csv文件的一行(line)，
功能是：把 前四个 feature 值合并成为一个List，并reshape成为一个 single tensor；把最后一个 label 变量reshape成为一个single tensor.
返回值： features 和 label tensors
如下所示：
tf.decode_csv函数功能是：Convert CSV records to tensors. Each column maps to one tensor.
tf.reshape(tensor, shape,name=None)函数的功能是：Given tensor, this operation returns a tensor that has the same values as tensor with shape shape
第三步：创建训练 tf.data.Dataset
TensorFlow's Dataset API 用于feeding data into a model，它负责读取data，并将data转换为适合模型训练的格式
代码如下所示：
执行结果如下所示：
