### 使用 Python 和 TensorFlow 编写的最简单测试代码 以下是一个非常基础的 TensorFlow 测试代码示例，它展示了如何创建一个常量张量并打印其值。这段代码适用于 TensorFlow 2.x 版本，其中默认启用了 Eager Execution 模式[^1]。 ```python import tensorflow as tf # 创建一个字符串类型的张量 hello_tensor = tf.constant('Hello, TensorFlow!') # 打印张量的内容 print(hello_tensor.numpy()) ``` 在这个例子中： - `tf.constant` 函数用于创建一个不可变的张量对象。 - `.numpy()` 方法将张量转换为 NumPy 数组以便于查看其内容。这是因为在 TensorFlow 2.x 中，Eager Execution 默认开启，允许直接访问张量的值而无需显式的会话管理。 对于更早版本的 TensorFlow（如 TensorFlow 1.x），需要使用会话机制来评估张量的值。下面提供了一个兼容 TensorFlow 1.x 的示例： ```python import tensorflow as tf # 禁用 v2 行为以支持 TensorFlow 1.x 风格代码 tf.compat.v1.disable_v2_behavior() # 定义一个常量张量 hello_tensor = tf.constant('Hello, TensorFlow!') # 创建一个会话并运行图结构 with tf.compat.v1.Session() as sess: result = sess.run(hello_tensor) print(result.decode()) # 解码字节串为字符串 ``` 注意：在 TensorFlow 2.x 中，默认不再需要手动管理会话和图结构，除非特别指定了向后兼容模式[^2]。 --- #### 进一步扩展的例子 除了简单的张量操作外，还可以尝试构建一个小规模的神经网络模型来进行预测。例如，训练一个线性回归模型拟合给定的数据集： ```python import tensorflow as tf import numpy as np # 数据准备 X_train = np.array([1, 2, 3, 4], dtype=np.float32) y_train = np.array([0, -1, -2, -3], dtype=np.float32) # 构建模型 model = tf.keras.models.Sequential([ tf.keras.layers.Dense(units=1, input_shape=[1]) ]) # 编译模型 model.compile(optimizer=tf.optimizers.SGD(), loss='mean_squared_error') # 训练模型 model.fit(X_train, y_train, epochs=500, verbose=False) # 预测新输入 predictions = model.predict([5.0]) print(f"Predicted value for input 5.0: {float(predictions)}") ``` 在此案例中，我们定义了一层全连接神经网络，并通过梯度下降优化器最小化均方误差损失函数完成监督学习任务[^3]。 --- ###