<code>import tensorflow as tf

# 创建一个张量

a = tf.constant([[1, 2], [3, 4]])

b = tf.constant([[5, 6], [7, 8]])

# 张量相加

c = tf.add(a, b)

# 张量乘法

d = tf.matmul(a, b)

# 打印结果

print("Tensor a:\n", a)

print("Tensor b:\n", b)

print("Tensor c (a + b):\n", c)

print("Tensor d (a * b):\n", d)

输出：

Tensor a:

[[1 2]

[3 4]]

Tensor b:

[[5 6]

[7 8]]

Tensor c (a + b):

[[ 6 8]

[10 12]]

Tensor d (a * b):

[[19 22]

[43 50]]

2. 创建一个简单的线性回归模型

线性回归是最基础的机器学习模型之一。我们可以使用 TensorFlow 来实现一个简单的线性回归模型。假设我们有一些点 (x, y)，并且希望找到一条直线使得其尽可能接近这些点。

import numpy as np

import tensorflow as tf

# 生成模拟数据

x_train = np.array([1.0, 2.0, 3.0, 4.0, 5.0], dtype=np.float32)

y_train = np.array([2.0, 4.1, 6.1, 8.0, 10.1], dtype=np.float32)

# 定义模型参数

W = tf.Variable(0.0)

b = tf.Variable(0.0)

# 线性模型

def linear_model(x):

return W * x + b

# 损失函数 (均方误差)

def loss_fn(y_true, y_pred):

return tf.reduce_mean(tf.square(y_true - y_pred))

# 优化器

optimizer = tf.optimizers.SGD(learning_rate=0.01)

# 训练步骤

def train_step(x, y):

with tf.GradientTape() as tape:

predictions = linear_model(x)

loss = loss_fn(y, predictions)

gradients = tape.gradient(loss, [W, b])

optimizer.apply_gradients(zip(gradients, [W, b]))

return loss

# 训练模型

epochs = 100

for epoch in range(epochs):

loss = train_step(x_train, y_train)

if (epoch + 1) % 10 == 0:

print(f"Epoch { epoch+1}, Loss: { loss.numpy()}")

# 查看最终的 W 和 b

print(f"W: { W.numpy()}, b: { b.numpy()}")

输出示例：

Epoch 10, Loss: 0.006312242154985666

Epoch 20, Loss: 0.002522232998162508

...

Epoch 100, Loss: 0.0003904151357933879

W: 2.016185760498047, b: -0.029788054525852203

通过这段代码，你可以看到如何使用 TensorFlow 实现一个简单的线性回归模型，并使用梯度下降法来优化模型的参数。

3. 使用 Keras 构建更复杂的神经网络

TensorFlow 的 Keras API 让我们能够快速构建复杂的神经网络模型。接下来，我们展示如何使用 Keras 构建一个卷积神经网络（CNN）来进行图像分类。

import tensorflow as tf

from tensorflow.keras import datasets, layers, models

# 加载 CIFAR-10 数据集

(x_train, y_train), (x_test, y_test) = datasets.cifar10.load_data()

# 数据归一化

x_train, x_test = x_train / 255.0, x_test / 255.0

# 构建卷积神经网络模型

model = models.Sequential([

# 第一层卷积层

layers.Conv2D(32, (3, 3), activation='relu', input_shape=(32, 32, 3)),code>

layers.MaxPooling2D((2, 2)),

# 第二层卷积层

layers.Conv2D(64, (3, 3), activation='relu'),code>

layers.MaxPooling2D((2, 2)),

# 第三层卷积层

layers.Conv2D(64, (3, 3), activation='relu'),code>

# 展平层

layers.Flatten(),

# 全连接层

layers.Dense(64, activation='relu'),code>

layers.Dense(10) # 输出层，10个类别

])

# 打印模型结构

model.summary()

# 编译模型

model.compile(optimizer='adam',code>

loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),

metrics=['accuracy'])

# 训练模型

model.fit(x_train, y_train, epochs=10, validation_data=(x_test, y_test))

# 评估模型

test_loss, test_acc = model.evaluate(x_test, y_test, verbose=2)

print(f"Test accuracy: { test_acc}")

在这个示例中，我们使用 CIFAR-10 数据集来训练一个简单的卷积神经网络。网络包含三个卷积层和两个最大池化层，最后通过全连接层输出结果。训练 10 个 epoch 后，你将看到模型在测试集上的表现。

4. 使用 TensorBoard 进行可视化