### TensorFlow 基本运算教程 TensorFlow 是一种强大的深度学习框架，其核心功能围绕张量（Tensor）展开。掌握 TensorFlow 的基本运算是构建复杂模型的基础。 #### 1. 创建张量 在 TensorFlow 中，一切数据都表示为张量形式。可以通过 `tf.constant` 或 `tf.Variable` 来创建张量： ```python import tensorflow as tf # 使用 tf.constant 创建常量张量 tensor_const = tf.constant([[1, 2], [3, 4]], dtype=tf.int32) # 使用 tf.Variable 创建可变张量 tensor_var = tf.Variable([[5, 6], [7, 8]], dtype=tf.float32) ``` 以上代码展示了如何定义不同类型的张量[^1]。 #### 2. 张量的基本运算 TensorFlow 提供了一系列内置函数来支持张量间的算术运算、矩阵操作以及逻辑运算等。 ##### 加法与减法 加法和减法是最基础的操作之一，可以直接通过 `+` 和 `-` 运算符完成： ```python a = tf.constant([1, 2]) b = tf.constant([3, 4]) add_result = a + b # 结果为 [4, 6] sub_result = a - b # 结果为 [-2, -2] ``` 上述例子中，两个一维张量相加或相减得到新的张量结果[^2]。 ##### 乘法与除法 对于逐元素乘法和矩阵乘法，分别使用 `*` 和 `@` 符号或者对应的函数调用： ```python c = tf.constant([[1, 2], [3, 4]]) d = tf.constant([[0, 1], [2, 3]]) elementwise_mul = c * d # 逐元素乘法 [[0, 2], [6, 12]] matrix_mul = c @ d # 矩阵乘法 [[5, 7], [11, 17]] division = tf.divide(c, d) # 对应位置上的除法 ``` 这里需要注意的是，矩阵乘法遵循线性代数规则[^1]。 #### 3. 自动求导机制 TensorFlow 支持自动微分技术，在优化过程中非常有用。借助 GradientTape 上下文管理器记录前向传播路径并计算梯度： ```python with tf.GradientTape() as tape: w = tf.Variable(tf.random.normal((2,))) y = w ** 2 grads = tape.gradient(y, w) # 计算 dy/dw print(grads.numpy()) # 输出梯度值 ``` 此部分体现了 TensorFlow 在动态图模式下的灵活性。 #### 4. Keras 高级 API 虽然底层操作提供了极大的自由度，但对于快速搭建实验原型来说，推荐使用更高层次封装好的 Keras 接口。例如建立一个多层感知机只需要几行代码即可完成配置、编译及训练过程： ```python model = tf.keras.Sequential([ tf.keras.layers.Dense(64, activation='relu', input_shape=(input_dim,)), tf.keras.layers.Dense(output_dim), ]) model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy']) history = model.fit(x_train, y_train, epochs=epochs, validation_data=(x_val, y_val)) ``` 这段脚本清晰地展现了从零开始设计神经网络的工作流[^2]。 ---