🤖 TensorFlow 入门指南

TensorFlow 是由 Google 开发的开源机器学习框架，广泛用于构建和训练神经网络，尤其适合深度学习任务。

---

✅ TensorFlow 能解决什么问题？

应用方向	示例任务	场景描述
图像识别	手写数字分类、人脸识别	安防、医疗、制造等行业
自然语言	情感分析、文本分类、翻译	语音助手、搜索引擎
时间序列	股票预测、传感器分析	金融、工业物联网
强化学习	自动驾驶、游戏AI	智能控制、策略优化
自定义模型	任何可微分的模型训练	科研、学术、企业AI应用

---

📦 安装

pip install tensorflow

---

🚀 基本使用示例：实现线性回归模型

1️⃣ 导入模块并准备数据

导入 tensorflow 为 tf
导入 numpy 为 np

X = np.array([1, 2, 3, 4], dtype=np.float32)
y = np.array([2, 4, 6, 8], dtype=np.float32)

---

2️⃣ 创建简单模型

模型 = tf.keras.Sequential([
  tf.keras.layers.Dense(1, 输入形状=[1])
])

---

3️⃣ 编译模型

模型.编译(
  优化器="sgd",
  损失="均方误差"
)

---

4️⃣ 训练模型

模型.拟合(X, y, 训练周期=500, 输出日志=假)

---

5️⃣ 使用模型预测

预测 = 模型.预测([10.0])
打印(预测)

---

🧱 构建神经网络结构

模型 = tf.keras.Sequential([
  tf.keras.layers.Dense(64, 激活函数='relu'),
  tf.keras.layers.Dense(10, 激活函数='softmax')
])

---

🧠 模型训练流程总结

阶段	内容
构建	使用 Sequential 或函数式API
编译	设置优化器、损失函数、指标
拟合	使用 .fit() 喂入数据训练
预测	使用 .predict() 推理
评估	使用 .evaluate() 验证性能

---

🧰 常用组件一览

模块	用途
tf.keras	高层 API：模型、层、训练流程
tf.data	数据集创建与预处理
tf.function	将函数编译为图模式加速执行
tf.GradientTape	自动求导和反向传播
tf.keras.callbacks	训练过程控制（早停、保存等）

---

📦 示例：多分类神经网络（手写数字 MNIST）

(X_train, y_train), (X_test, y_test) = tf.keras.datasets.mnist.load_data()
X_train, X_test = X_train/255.0, X_test/255.0

模型 = tf.keras.models.Sequential([
tf.keras.layers.Flatten(input_shape=(28, 28)),
tf.keras.layers.Dense(128, activation='relu'),
tf.keras.layers.Dropout(0.2),
tf.keras.layers.Dense(10, activation='softmax')
])

模型.compile(optimizer='adam',
loss='sparse_categorical_crossentropy',
metrics=['accuracy'])

模型.fit(X_train, y_train, epochs=5)
模型.evaluate(X_test, y_test)

---