请运用tensorflow框架，构建一个线性拟合模型ff(x)=wx+b，w和b为参数。

好的，以下是使用TensorFlow框架构建线性拟合模型的代码：

import tensorflow as tf

# 定义输入和输出
x = tf.placeholder(tf.float32, shape=[None])
y = tf.placeholder(tf.float32, shape=[None])

# 定义模型参数
w = tf.Variable(tf.zeros([1]))
b = tf.Variable(tf.zeros([1]))

# 定义模型
y_pred = tf.add(tf.multiply(w, x), b)

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

# 定义优化器
optimizer = tf.train.GradientDescentOptimizer(learning_rate=.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(100):
        _, loss_val = sess.run([train_op, loss], feed_dict={x: [1, 2, 3, 4], y: [2, 4, 6, 8]})
        if i % 100 == :
            print("Step %d, loss = %.4f" % (i, loss_val))
    print("w = %.4f, b = %.4f" % (sess.run(w), sess.run(b)))

这个模型使用了一个占位符`x`来表示输入，一个占位符`y`来表示输出。模型参数`w`和`b`使用`tf.Variable`定义，并初始化为。模型的预测值`y_pred`是输入`x`和参数`w`和`b`的线性组合。损失函数使用均方误差。优化器使用梯度下降算法。在训练过程中，我们使用`sess.run`运行`train_op`和`loss`节点，并传入输入和输出数据。最后，我们输出训练得到的参数`w`和`b`的值。