AI 十、Python中，TensorFlow基础与深度学习实战

TensorFlow 是一个由 Google 开发的开源深度学习框架，它广泛应用于各种机器学习任务，特别是在深度学习模型的构建、训练和部署方面。TensorFlow 提供了强大的工具和库，使得开发者可以高效地构建神经网络，进行模型训练，并进行部署。

1. TensorFlow基础

1.1 TensorFlow简介

TensorFlow 是一个基于数据流图的计算框架，它通过图来表达计算过程，其中的节点表示操作（如加法、乘法等），而图中的边则表示张量（Tensor）在计算过程中的传递。TensorFlow 最初主要用于深度学习，但随着时间的发展，TensorFlow 也可以用于其他类型的计算任务。

1.2 张量（Tensor）

TensorFlow 中的核心概念是张量（Tensor）。张量可以被看作是多维数组，它可以是标量（0维）、向量（1维）、矩阵（2维）等。

创建张量：

import tensorflow as tf

# 创建一个常数张量
a = tf.constant([1, 2, 3])
print(a)

# 创建一个零张量
b = tf.zeros([2, 3])
print(b)

# 创建一个随机张量
c = tf.random.normal([3, 3])
print(c)

1.3 张量运算

TensorFlow 提供了丰富的张量运算操作，支持加法、乘法、矩阵乘法等常见的线性代数操作。

# 张量加法
x = tf.constant([1, 2, 3])
y = tf.constant([4, 5, 6])
z = x + y
print(z)

# 矩阵乘法
a = tf.constant([[1, 2], [3, 4]])
b = tf.constant([[5, 6], [7, 8]])
c = tf.matmul(a, b)
print(c)

1.4 自动求导（Gradient Tape）

TensorFlow 提供了一个强大的自动求导工具 GradientTape，它可以跟踪 TensorFlow 运算的梯度，常用于训练神经网络时计算损失函数的梯度。

x = tf.Variable(3.0)

with tf.GradientTape() as tape:
    y = x ** 2

# 计算梯度
dy_dx = tape.g