### 使用TensorFlow构建机器学习模型 为了使用TensorFlow构建和训练机器学习模型，首先要确保环境配置正确无误。通过执行如下Python命令可验证安装是否成功： ```python import tensorflow as tf print(tf.__version__) ``` 如果能顺利打印出TensorFlow的版本号，则表明安装过程顺利完成[^2]。 #### 创建基础模型结构 对于初学者而言，建议从较为简单的模型入手练习，比如线性回归或逻辑回归这类基本模型。借助于`tf.keras`这一高层次API接口，能够极大简化创建与训练流程。下面给出的是一个简易版线性回归实例代码片段： ```python # 导入必要的库 import numpy as np from tensorflow import keras from tensorflow.keras import layers # 准备数据集 xs = np.array([-1.0, 0.0, 1.0, 2.0, 3.0], dtype=float) ys = np.array([5.0, 6.0, 7.0, 8.0, 9.0], dtype=float) # 定义模型架构 model = keras.Sequential([ layers.Dense(units=1, input_shape=[1]) ]) # 编译模型并指定损失函数以及优化器 model.compile(optimizer='sgd', loss='mean_squared_error') # 开始训练过程 history = model.fit(xs, ys, epochs=500, verbose=False) # 输出预测结果 print(model.predict([10.0])) ``` 这段程序展示了如何定义单层神经元组成的密集型网络，并对其进行编译、拟合操作直至最终做出预测。 #### 进阶至多层感知机(MLP) 当掌握了上述基础知识之后，就可以尝试更复杂的场景——即建立一个多层前向传播人工神经网络（Multilayer Perceptron）。此部分将以一个具有单一隐含层的小规模全连接网络为例进行讲解[^3]： ```python # 设置随机种子以保证实验重复性 np.random.seed(42) tf.random.set_seed(42) # 初始化权重参数 W1 = tf.Variable(np.random.randn(2, 3).astype('float32')) b1 = tf.Variable(np.zeros((3)).astype('float32')) W2 = tf.Variable(np.random.randn(3, 1).astype('float32')) b2 = tf.Variable(np.zeros((1)).astype('float32')) def forward(x): z1 = tf.matmul(x, W1) + b1 a1 = tf.nn.sigmoid(z1) output = tf.matmul(a1, W2) + b2 y_pred = tf.nn.sigmoid(output) return y_pred X_train = [[0., 0.], [0., 1.], [1., 0.], [1., 1.]] Y_train = [[0.], [1.], [1.], [0.]] for epoch in range(1000): # 训练轮次设定为1000次 with tf.GradientTape() as tape: predictions = forward(X_train) error = Y_train - predictions mse_loss = tf.reduce_mean(error ** 2) gradients = tape.gradient(mse_loss, [W1, b1, W2, b2]) optimizer.apply_gradients(zip(gradients, [W1, b1, W2, b2])) if (epoch % 100 == 0 or epoch == 999): print(f'Epoch {epoch}: Loss={mse_loss.numpy()}') ``` 该例子中实现了带有激活函数Sigmoid的一隐藏层BP算法求解异或问题的过程。