### TensorFlow 基础代码示例 以下是几个常见的 TensorFlow 代码示例，涵盖了基础操作以及一些高级功能。 #### 创建张量 (Tensor) 创建一个零填充的二维张量： ```python a = tf.zeros(shape=[1, 2]) print(a) ``` 此代码片段用于生成形状为 `[1, 2]` 的全零张量[^1]。 --- #### 使用占位符 (Placeholder) 进行动态数据输入 定义两个浮点数类型的占位符并执行加法运算： ```python input1 = tf.placeholder(tf.float32) input2 = tf.placeholder(tf.float32) output = tf.add(input1, input2) with tf.Session() as sess: result = sess.run(output, feed_dict={input1: [7.0], input2: [3.0]}) print(result) ``` 上述代码展示了如何利用 `placeholder` 动态传递数值给模型，并完成基本算术运算[^2]。 --- #### 计算均值与方差 在卷积神经网络中，通常需要计算特征图的均值和方差以便于标准化处理。可以使用如下方法实现： ```python x = tf.random_normal([batch_size, height, width, depth]) batch_mean, batch_var = tf.nn.moments( x, axes=[0, 1, 2], keep_dims=True ) print(batch_mean, batch_var) ``` 这里说明了当特征图尺寸为 `[batch, height, width, depth]` 时，可以通过指定轴参数来获得全局统计信息[^4]。 --- #### 实现简单线性回归 构建一个最小化的损失函数优化器来进行线性拟合的任务： ```python X = tf.constant([[1], [2], [3], [4]], dtype=tf.float32) Y_true = tf.constant([[0], [-1], [-2], [-3]], dtype=tf.float32) W = tf.Variable([[1.0]], name='weights') b = tf.Variable(0.0, name='bias') Y_pred = tf.matmul(X, W) + b loss = tf.reduce_sum(tf.square(Y_pred - Y_true)) optimizer = tf.train.GradientDescentOptimizer(learning_rate=0.01).minimize(loss) init = tf.global_variables_initializer() with tf.Session() as sess: sess.run(init) for step in range(100): _, current_loss = sess.run([optimizer, loss]) final_W, final_b = sess.run([W, b]) print(f'Final Weights: {final_W}, Final Bias: {final_b}') ``` 这段程序演示了一个完整的训练流程，包括初始化变量、定义目标函数及其梯度下降求解过程[^3]。 ---