TensorFlow 零基础入门：手把手教你跑通第一个AI模型

今天用最直白的语言，带完全零基础的同学走进 TensorFlow 的世界。不用担心数学公式，先学会"开车"，再学"造车"！

1. 准备工作：安装TensorFlow

就像玩游戏需要先安装游戏客户端一样，我们需要先安装 TensorFlow。打开你的电脑（Windows/Mac都行），按下 Win + R，输入 cmd 打开命令提示符，然后输入：

pip install tensorflow

看到"Successfully installed"就搞定啦！如果安装慢，可以试试这个国内镜像：

pip install tensorflow -i https://pypi.tuna.tsinghua.edu.cn/simple

2. 第一个程序：预测商品销量

想象你开了一家奶茶店，记录了每天的气温和卖出的奶茶杯数：

气温(℃)	奶茶销量
20	45
25	75
30	105

我们想让电脑学会：当气温是28℃时，大概能卖多少杯？

完整代码（直接复制就能用！）

# 导入TensorFlow库（就像我们要用计算器得先打开它）
import tensorflow as tf
import numpy as np

# 1. 准备数据
temperature = np.array([20, 25, 30], dtype=float)  # 输入特征：气温
sales = np.array([45, 75, 105], dtype=float)       # 真实销量

# 2. 创建最简单的AI模型（只有一个神经元）
model = tf.keras.Sequential([
    tf.keras.layers.Dense(units=1, input_shape=[1])  # 全连接层
])

# 3. 配置模型（告诉电脑怎么学习）
model.compile(
    optimizer=tf.keras.optimizers.Adam(0.1),  # 学习率设为0.1
    loss='mean_squared_error'  # 用均方误差衡量预测好坏
)

# 4. 开始训练！（让电脑从数据中学习）
print("开始训练...")
history = model.fit(temperature, sales, epochs=500, verbose=False)
print("训练完成！")

# 5. 使用训练好的模型预测
print("当气温是28℃时，预测销量：", model.predict([28])[0][0], "杯")

运行结果

你会看到类似这样的输出：

当气温是28℃时，预测销量： 93.2 杯

逐行解释（给完全不懂的同学）

1. import tensorflow as tf：就像打开计算器APP

2. temperature 和 sales：我们给电脑看的"例题"

3. Dense(units=1)：最简单的AI大脑（只有1个"脑细胞"）

4. optimizer：电脑的学习方式（Adam是比较聪明的学习方法）

5. fit()：让电脑反复做题（500遍）

6. predict()：让电脑做新题（28℃时卖多少？）

3. 升级任务：识别手写数字

现在我们来做个更酷的——让电脑认识你写的数字！就像手机解锁时的数字识别。

完整代码（直接运行）

import tensorflow as tf

# 1. 加载数字图片数据集（TensorFlow自带）
mnist = tf.keras.datasets.mnist
(train_images, train_labels), (test_images, test_labels) = mnist.load_data()

# 2. 预处理（把图片像素值从0-255缩放到0-1）
train_images = train_images / 255.0
test_images = test_images / 255.0

# 3. 构建AI模型（这次用3层神经网络）
model = tf.keras.Sequential([
    tf.keras.layers.Flatten(input_shape=(28, 28)),  # 把图片展平
    tf.keras.layers.Dense(128, activation='relu'),  # 隐藏层（128个脑细胞）
    tf.keras.layers.Dense(10)                       # 输出层（0-9十个数字）
])

# 4. 配置模型
model.compile(
    optimizer='adam',
    loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
    metrics=['accuracy']  # 我们要看准确率
)

# 5. 训练（这次训练5轮就够了）
model.fit(train_images, train_labels, epochs=5)

# 6. 测试准确率
test_loss, test_acc = model.evaluate(test_images, test_labels, verbose=2)
print(f"\n测试准确率：{test_acc*100:.1f}%")  # 正常能达到97%左右

你会看到

Epoch 1/5
1875/1875 [=====] - 3s 1ms/step - loss: 0.2586 - accuracy: 0.9265
...
测试准确率：97.4%

重点解释

1. mnist.load_data()：下载包含6万张手写数字图片的数据集

2. /255.0：把图片从黑白(0-255)变成灰度(0-1)

3. Flatten：把28×28的图片"压平"成784个数字

4. Dense(128)：第二层有128个"脑细胞"

5. epochs=5：整个数据集学习5遍

4. 常见问题解答

❓ 问：为什么我的结果和例子不一样？
答：正常！AI训练有随机性，只要准确率在95%以上都算成功。

❓ 问：电脑需要很高配置吗？
答：不用！这些例子普通笔记本都能跑，TensorFlow会自动用CPU计算。

❓ 问：想识别自己的手写数字怎么办？
答：可以用这个进阶代码（需要安装Pillow库）：

from PIL import Image
import numpy as np

# 加载自己写的数字图片（黑白28x28像素）
img = Image.open('my_digit.png').convert('L')
img = np.array(img) / 255.0
img = img.reshape(1, 28, 28)

# 预测
prediction = model.predict(img)
print("AI认为这是数字：", np.argmax(prediction))

5. 下一步学习建议

1. 修改参数玩一玩：比如把epochs=5改成epochs=10，看看准确率变化

2. 可视化训练过程：在model.fit()前加：

   import matplotlib.pyplot as plt
   plt.plot(history.history['accuracy'], label='accuracy')

3. 尝试其他数据集：比如tf.keras.datasets.cifar10（彩色图片分类）

记住：学AI就像学骑自行车，先学会骑，再研究原理。现在你已经成功跑通了两个AI模型，给自己点个赞吧！

如果有任何问题，欢迎在评论区留言，我会一一解答~