tensorflow的简单代码

TensorFlow是一个强大的开源机器学习框架，它可以用来构建各种类型的神经网络和机器学习模型。以下是一个简单的 TensorFlow 代码示例，用于训练一个基本的线性回归模型：

import tensorflow as tf

# 定义输入数据和期望输出数据
x_train = [1.0, 2.0, 3.0, 4.0]
y_train = [2.0, 4.0, 6.0, 8.0]

# 定义模型的参数
W = tf.Variable([0.5], dtype=tf.float32)
b = tf.Variable([0.5], dtype=tf.float32)

# 定义输入占位符和线性模型
x = tf.placeholder(dtype=tf.float32)
linear_model = W * x + b

# 定义损失函数和优化器
y = tf.placeholder(dtype=tf.float32)
loss = tf.reduce_sum(tf.square(linear_model - y))
optimizer = tf.train.GradientDescentOptimizer(learning_rate=0.01)
train_op = optimizer.minimize(loss)

# 训练模型
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    for i in range(1000):
        _, loss_value = sess.run([train_op, loss], feed_dict={x: x_train, y: y_train})
        print('Step: {}, Loss: {}'.format(i+1, loss_value))

    # 使用训练好的模型进行预测
    x_test = [5.0, 6.0, 7.0]
    y_test = [10.0, 12.0, 14.0]
    y_pred = sess.run(linear_model, feed_dict={x: x_test})
    print('Test Data Predictions:', y_pred)

在这个示例中，我们首先定义了输入数据和期望输出数据。然后我们定义了模型的参数（W和b），并使用占位符和线性模型来定义模型。接下来我们定义了损失函数和优化器，并使用训练数据来训练模型。最后，我们使用训练好的模型来对测试数据进行预测。