TensorFlow 是一个由 Google 开发的开源软件库，用于数据流编程，广泛应用于机器学习和深度学习领域。对于初学者来说，从简单的案例入手是学习 TensorFlow 的最佳方式。以下是一些入门级的 TensorFlow 案例，帮助你快速上手。

1. 线性回归

线性回归是机器学习中的一种基础算法，用于预测一个连续的数值。以下是一个简单的线性回归案例，使用 TensorFlow 实现预测房价。

import tensorflow as tf

# 构建线性回归模型
X = tf.constant([[1.0], [2.0], [3.0]], dtype=tf.float32)
y = tf.constant([[1.0], [2.0], [3.0]], dtype=tf.float32)

# 初始化权重和偏置
w = tf.Variable(tf.random.normal([1, 1]))
b = tf.Variable(tf.random.normal([1]))

# 定义线性回归模型
y_pred = tf.matmul(X, w) + b

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

# 定义优化器
optimizer = tf.keras.optimizers.SGD(learning_rate=0.01)

# 训练模型
for _ in range(1000):
    with tf.GradientTape() as tape:
        y_pred = tf.matmul(X, w) + b
        loss = tf.reduce_mean(tf.square(y - y_pred))
    gradients = tape.gradient(loss, [w, b])
    optimizer.apply_gradients(zip(gradients, [w, b]))

print("Weight:", w.numpy())
print("Bias:", b.numpy())

2. 分类问题

分类问题是指将数据分为不同的类别。以下是一个简单的二分类案例，使用 TensorFlow 实现判断数字是否为奇数。

import tensorflow as tf

# 构建分类问题模型
X = tf.constant([[1.0], [2.0], [3.0], [4.0]], dtype=tf.float32)
y = tf.constant([[0.0], [0.0], [1.0], [1.0]], dtype=tf.float32)

# 初始化权重和偏置
w = tf.Variable(tf.random.normal([1, 1]))
b = tf.Variable(tf.random.normal([1]))

# 定义分类模型
y_pred = tf.nn.sigmoid(tf.matmul(X, w) + b)

# 定义损失函数和优化器
loss = tf.reduce_mean(tf.nn.sigmoid_cross_entropy_with_logits(logits=y_pred, labels=y))
optimizer = tf.keras.optimizers.SGD(learning_rate=0.01)

# 训练模型
for _ in range(1000):
    with tf.GradientTape() as tape:
        y_pred = tf.nn.sigmoid(tf.matmul(X, w) + b)
        loss = tf.reduce_mean(tf.nn.sigmoid_cross_entropy_with_logits(logits=y_pred, labels=y))
    gradients = tape.gradient(loss, [w, b])
    optimizer.apply_gradients(zip(gradients, [w, b]))

print("Weight:", w.numpy())
print("Bias:", b.numpy())

3. 卷积神经网络（CNN）

卷积神经网络（CNN）是深度学习中用于图像识别的重要模型。以下是一个简单的 CNN 案例，使用 TensorFlow 实现图像分类。

import tensorflow as tf
from tensorflow.keras import datasets, layers, models

# 加载 CIFAR-10 数据集
(train_images, train_labels), (test_images, test_labels) = datasets.cifar10.load_data()

# 预处理数据
train_images, test_images = train_images / 255.0, test_images / 255.0

# 构建 CNN 模型
model = models.Sequential()
model.add(layers.Conv2D(32, (3, 3), activation='relu', input_shape=(32, 32, 3)))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(64, (3, 3), activation='relu'))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(64, (3, 3), activation='relu'))

# 添加全连接层
model.add(layers.Flatten())
model.add(layers.Dense(64, activation='relu'))
model.add(layers.Dense(10))

# 编译模型
model.compile(optimizer='adam',
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
              metrics=['accuracy'])

# 训练模型
model.fit(train_images, train_labels, epochs=10, validation_data=(test_images, test_labels))

# 评估模型
test_loss, test_acc = model.evaluate(test_images,  test_labels, verbose=2)
print('\nTest accuracy:', test_acc)

以上案例涵盖了 TensorFlow 的基本使用方法，包括线性回归、分类问题和卷积神经网络。通过这些案例，你可以逐步掌握 TensorFlow 的使用技巧，并应用于实际项目中。祝你学习愉快！