举一个tensorflow的例子

以下是一个使用TensorFlow实现简单的线性回归模型的例子：

import tensorflow as tf
import numpy as np

# 构造数据集
x_data = np.random.rand(100).astype(np.float32)
y_data = x_data * 0.1 + 0.3

# 构造模型
W = tf.Variable(tf.random.uniform([1], -1.0, 1.0))
b = tf.Variable(tf.zeros([1]))
y_pred = W * x_data + b

# 定义损失函数
loss = tf.reduce_mean(tf.square(y_pred - y_data))

# 定义优化器
optimizer = tf.optimizers.SGD(learning_rate=0.5)
train = optimizer.minimize(loss)

# 训练模型
init = tf.global_variables_initializer()
with tf.Session() as sess:
    sess.run(init)
    for step in range(201):
        sess.run(train)
        if step % 20 == 0:
            print(step, sess.run(W), sess.run(b))

该程序的功能是使用线性回归模型拟合数据集，找到一条直线来描述数据集中的数据。程序中，我们首先构造了一个包含100个随机数的数据集，然后定义了一条线性模型 `y_pred = W * x_data + b`，其中W和b是需要训练的参数。我们使用均方误差来定义损失函数，使用随机梯度下降算法来优化模型参数。在训练过程中，我们每训练20次就输出一次模型参数，最终输出的模型参数应该能够较好地拟合数据集。