大多数的深度学习框架至少都会具备以下功能：
（1）张量运算 （2）自动微分 （3）神经网络及各种神经层
TensorFlow 框架亦是如此。在《深度学习全书 公式+推导+代码+TensorFlow全程案例》—— 洪锦魁主编 清华大学出版社 ISBN 978-7-302-61030-4 这本书第3章 《TensorFlow架构与主要功能》这一章节中，介绍了使用 TensorFlow 架构的自动微分功能和神经网络功能估算简单线性回归参数的方法，分享给大家~
1. 使用 TensorFlow 自动微分求解简单线性回归的参数（w, b）
1 # 载入库
2 import numpy as np
3 import tensorflow as tf
4 import matplotlib.pyplot as plt
5 plt.ion()
6
7
8 # 定义损失函数为均方误差MSE=(sum(y-y0)^2)/n
9 def loss(y, y_pred):
10 # tf.reduce_mean 函数用于计算张量tensor沿着指定的数轴上的的平均值
11 return tf.reduce_mean(tf.square(y - y_pred))
12
13
14 # 定义预测值函数，即模型函数 y = wx + b
15 def predict(X):
16 return w * X + b
17
18
19 # 定义训练函数，在自动微分中需重新计算损失函数值,再利用梯度下降法求解 w 和 b
20 def train(X, y, epochs=40, lr=0.0001):
21 current_loss = 0 # 损失函数值
22 for epoch in range(epochs): # 执行训练周期
23 with tf.GradientTape() as t: # 自动微分
24 # 当声明为变量(tf.Variable)时，该变量会自动参与自动微分，但声明为常熟（tf.constant）时，
25 # 如欲参与自动微分，则需额外设定 g.watch()
26 t.watch(tf.constant(X)) # 创建 TensorFlow 常数参与自动微分
27 current_loss = loss(y, predict(X)) # 计算损失函数值
28
29 dw, db = t.gradient(current_loss, [w, b]) # 取得 w, b 的梯度
30
31 # 更新权重：新权重 = 原权重 — 学习率(learning_rate) * 梯度(gradient)
32 # assign_sub 函数相当于 -=
33 w.assign_sub(lr * dw) # w -= lr * dw
34 b.assign_sub(lr * db) # b -= lr * db
35
36 # 显示每一训练周期的损失函数
37 print(f'Epoch {epoch}: Loss: {current_loss.numpy()}')
38
39
40 # 产生线性随机数据100批，这些数据介于0-50数值之间
41 n = 100
42 X = np.linspace(0, 50, n)
43 y = np.linspace(0, 50, n)
44
45 # 给数据添加一些噪声 (noise)，np.random.uniform是从一个均匀分布的区域中进行随机采样
46 X += np.random.uniform(-10, 10, n)
47 y += np.random.uniform(-10, 10, n)
48
49 # w、b 初始值均设为 0
50 w = tf.Variable(0.0)
51 b = tf.Variable(0.0)
52
53 # 执行训练
54 train(X, y)
55
56 # 打印经过训练后 w、b 的最佳解
57 print(f'w={w.numpy()}, b={b.numpy()}')
58 # 显示预测结果
59 plt.scatter(X, y, label='data')
60 plt.plot(X, predict(X), 'r-', label='predicted')
61 plt.legend()
代码运行结果：
由上图可知，回归线确实居于样本点中线，拟合效果甚佳。
2. 使用 TensorFlow 完全连接层估算简单线性回归的参数（w, b）
1 # 载入库
2 import numpy as np
3 import tensorflow as tf
4 import matplotlib.pyplot as plt
5 plt.ion()
6
7 # 产生线性随机数据100批，这些数据介于0-50数值之间
8 n = 100
9 X = np.linspace(0, 50, n)
10 y = np.linspace(0, 50, n)
11
12 # 给数据添加一些噪声 (noise)，np.random.uniform是从一个均匀分布的区域中进行随机采样
13 X += np.random.uniform(-10, 10, n)
14 y += np.random.uniform(-10, 10, n)
15
16 # 建立模型：这里仅仅使用一个完全连接层，并且输入只有一个神经元X，输出也只有一个神经元y。
17 # Dense本身有一个参数use_bias,即是否有偏差项，默认为true，即除了一个神经元输出外，还会有一个偏差项，
18 # 这样的设定等价于 y=wx+b
19 # 定义完全连接层(Dense): units：输出神经元个数，input_shape：输入神经元个数
20 layer1 = tf.keras.layers.Dense(units=1, input_shape=[1])
21 # 神经网路包含一层完全连接层
22 model = tf.keras.Sequential([layer1])
23
24 # 定义模型的损失函数(loss)为 MSE，优化器(optimizer)为 Adam
25 model.compile(loss='mean_squared_error',
26 optimizer=tf.keras.optimizers.Adam())
27 # 训练模型，训练过程的损失函数变化都会存在 history 中
28 history = model.fit(X, y, epochs=1000, verbose=False)
29
30 # 训练过程绘图，绘制损失函数值，损失函数值会随着训练周期越来越小
31 plt.figure()
32 plt.rcParams['font.sans-serif'] = ['Microsoft JhengHei']
33 plt.rcParams['axes.unicode_minus'] = False
34 plt.xlabel('训练周期', fontsize=20)
35 plt.ylabel("损失函数(loss)", fontsize=20)
36 plt.plot(history.history['loss'])
37
38 # 获取模型参数
39 w = layer1.get_weights()[0][0][0]
40 b = layer1.get_weights()[1][0]
41 print(f"w：{w:.4f} , b：{b:.4f}")
42
43 # 利用 w 和 b 进行绘图显示回归线
44 plt.figure()
45 plt.scatter(X, y, label='data')
46 plt.plot(X, X * w + b, 'r-', label='predicted')
47 plt.legend()
代码运行结果：
由以上图可知，回归线拟合效果甚佳。与自动微分相比，这种方法程序更简单，只要设定好模型结构、损失函数、优化器后，进行拟合训练即可。