### TensorFlow 入门级运算基本用法 TensorFlow 的核心功能之一是通过张量（Tensor）来表示数据并完成各种计算操作。以下是关于 TensorFlow 入门级运算的一些基本用法及其示例。 #### 创建张量 在 TensorFlow 中，张量是最基本的数据结构，它可以被看作是一个多维数组或矩阵。可以通过 `tf.constant` 方法创建常量张量[^1]： ```python import tensorflow as tf # 创建一个标量（0-D 张量） scalar = tf.constant(5) # 创建一个向量（1-D 张量） vector = tf.constant([1, 2, 3]) # 创建一个矩阵（2-D 张量） matrix = tf.constant([[1, 2], [3, 4]]) ``` #### 执行简单运算 TensorFlow 提供了许多内置的操作符来进行张量之间的运算。例如加法、乘法等[^3]： ```python # 加法 add_result = tf.add(vector, vector) # 乘法 multiply_result = tf.multiply(matrix, matrix) ``` #### 构建和执行计算图 TensorFlow 使用一种称为 **计算图** 的机制来描述程序中的所有操作。首先需要定义计算图中的节点，然后通过会话（Session）或者 eager execution 来执行这些操作[^3]： ```python # 启动 Eager Execution 模式（现代 TensorFlow 默认启用此模式） tf.config.run_functions_eagerly(True) # 定义变量 W 和 b 并构建简单的线性模型 y = W * x + b W = tf.Variable(tf.random.normal([1]), name='weight') b = tf.Variable(tf.zeros([1]), name='bias') x = tf.placeholder(tf.float32, shape=(None)) y = tf.matmul(x, W) + b # 线性回归模型[^2] # 初始化变量 init_op = tf.global_variables_initializer() with tf.Session() as sess: sess.run(init_op) result = sess.run(y, feed_dict={x: [1.0]}) ``` 注意，在最新的 TensorFlow 版本中，推荐使用 Keras API 或者更简洁的方式替代传统的 Session 方式。 #### GPU 支持 为了提高训练效率，尤其是对于复杂模型而言，可以利用 GPU 进行加速。TensorFlow 自带对 NVIDIA CUDA 的支持，并能够自动检测可用的 GPU 设备[^4]： ```python # 检查是否有 GPU 可用 if tf.test.is_gpu_available(): with tf.device('/GPU:0'): a = tf.constant([1.0]) b = tf.constant([2.0]) c = a + b else: print("No GPU available.") ``` 以上就是一些有关于 TensorFlow 初学者级别的基础知识以及如何实现基本运算的方法介绍。