【进阶】TensorFlow中的神经网络构建

# 2.1 TensorFlow的基本概念和数据结构

### 2.1.1 张量和图

TensorFlow 中的核心数据结构是张量（Tensor）。张量是一个多维数组，可以表示各种数据类型，例如数字、字符串和图像。张量是 TensorFlow 计算的基本单位，所有操作都作用于张量。

TensorFlow 使用图（Graph）来表示计算。图是一个由节点和边组成的有向无环图。节点表示操作，边表示数据流。当执行图时，数据流经图，每个节点执行其操作，并生成新的张量。

### 2.1.2 会话和变量

会话（Session）是 TensorFlow 的执行环境。它负责管理图的执行，并提供与外部世界（例如文件系统）的接口。

变量（Variable）是可训练的参数，在神经网络训练过程中不断更新。变量存储在会话中，并可以通过会话进行访问和修改。

# 2. TensorFlow神经网络基础

### 2.1 TensorFlow的基本概念和数据结构

#### 2.1.1 张量和图

**张量**

张量是TensorFlow中表示多维数据的基本数据结构。它类似于NumPy中的ndarray，但具有更高级的功能，如自动微分和分布式计算。张量的维度称为秩，其形状由一个整数元组表示。例如，一个形状为(3, 4)的张量表示一个3行4列的矩阵。

**图**

图是TensorFlow中表示计算图的数据结构。它由节点和边组成，其中节点表示操作，边表示数据流。图的构建是通过TensorFlow的算子（操作）实现的。算子接收输入张量，执行操作，并产生输出张量。

#### 2.1.2 会话和变量

**会话**

会话是TensorFlow中执行计算图的运行时环境。它负责初始化变量、执行操作和获取输出。会话可以是交互式的或非交互式的。交互式会话允许逐行执行图，而非交互式会话则一次性执行整个图。

**变量**

变量是TensorFlow中可训练的参数。它们存储在图中，并在训练过程中更新。变量可以是标量、向量或张量。变量的类型由其形状和数据类型决定。

### 2.2 神经网络的构建和训练

#### 2.2.1 层的定义和激活函数

**层**

层是神经网络的基本组成部分。它们执行特定的操作，如卷积、池化或全连接。TensorFlow提供了各种预定义的层，也可以自定义层。

**激活函数**

激活函数是非线性函数，应用于层的输出。它们引入非线性，使神经网络能够学习复杂的关系。常见的激活函数包括ReLU、sigmoid和tanh。

#### 2.2.2 损失函数和优化器

**损失函数**

损失函数衡量模型预测与真实标签之间的差异。常见的损失函数包括均方误差（MSE）、交叉熵和KL散度。

**优化器**

优化器是更新模型变量以最小化损失函数的算法。TensorFlow提供了多种优化器，如梯度下降、动量和Adam。

#### 2.2.3 模型的训练和评估

**训练**

训练是神经网络学习过程。它涉及使用训练数据更新模型变量，以最小化损失函数。训练过程通常涉及多个epoch，每个epoch都遍历整个训练数据集。

**评估**

评估是衡量模型性能的过程。它使用验证或测试数据来计算指标，如准确率、召回率和F1分数。评估结果用于调整模型或选择最佳模型。

import tensorflow as tf

# 定义一个简单的全连接神经网络
model = tf.keras.Sequential([
  tf.keras.layers.Dense(units=1