TensorFlow 深度学习 | 使用底层 API 实现模型训练（附可视化）

💖亲爱的技术爱好者们，热烈欢迎来到 Kant2048 的博客！我是 Thomas Kant，很开心能在CSDN上与你们相遇～💖

本博客的精华专栏：
【自动化测试】 【测试经验】 【人工智能】 【Python】

---

TensorFlow 深度学习 | 使用底层 API 实现模型训练（附可视化）

在 TensorFlow 中，除了使用 Sequential 或 Functional API 来快速搭建模型外，我们还可以直接使用 底层 API 来实现完整的模型训练流程。这种方式非常适合：

• 学习深度学习的底层机制
• 掌握梯度下降、损失计算、参数更新的原理
• 在需要自定义优化器、训练逻辑时灵活使用

本文将带你通过 TensorFlow 底层 API 实现一个二分类模型，并在此基础上加入：
✅ 决策边界可视化
✅ TensorBoard 训练过程可视化

---

📌 一、数据准备

我们先构造一组简单的二维数据集，并给每个样本生成二分类标签。

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt

# 设置随机种子保证结果可复现
tf.random.set_seed(42)

# 生成数据：1000 个样本，每个样本 2 个特征
X = tf.random.normal(shape=(1000, 2))
# 构造标签：线性分隔
y = tf.cast(X[:, 0] + X[:, 1] > 0, tf.float32)

可视化数据分布：

plt.scatter(X[:, 0], X[:, 1], c=y, cmap="bwr", alpha=0.7)
plt.title("数据分布")
plt