1. 安装TensorFlow

首先，确保你已经安装了Python。然后使用pip安装TensorFlow。在你的命令行工具中运行以下命令：

pip install tensorflow

2. 导入TensorFlow

在你的Python脚本或交互式环境中，首先导入TensorFlow库：

import tensorflow as tf

3. 基本的TensorFlow操作

TensorFlow中的所有操作都是基于张量（Tensors）的。让我们创建一些基本的张量并进行操作：

# 创建常量张量
a = tf.constant(3)
b = tf.constant(5)

# 进行数学运算
c = tf.add(a, b)  # 3 + 5
d = tf.multiply(a, b)  # 3 * 5

# 打印结果（需要在会话中运行）
with tf.Session() as sess:
    result_add = sess.run(c)
    result_mul = sess.run(d)
    print("Addition:", result_add)
    print("Multiplication:", result_mul)

4. 使用变量

在TensorFlow中，变量通常用于存储模型的参数，比如神经网络的权重：

# 创建变量
x = tf.Variable(1.0, name='x')

# 使用tf.assign进行变量赋值
y = tf.assign(x, 2.0)

# 启动会话并运行
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())  # 初始化变量
    sess.run(y)  # 执行赋值操作
    print("Value of x after assignment:", sess.run(x))

5. 构建简单的计算图

计算图是TensorFlow的核心概念，它由节点（操作）和边（张量）组成：

# 定义计算图
x = tf.placeholder(tf.float32, shape=())
square = tf.square(x)  # x的平方

# 启动会话并传入数据
with tf.Session() as sess:
    print("Square of 3:", sess.run(square, feed_dict={x: 3}))

6. 使用TensorFlow的高级API：tf.keras

tf.keras是TensorFlow的高级API，用于快速构建和训练深度学习模型：

# 使用tf.keras构建简单的序贯模型
model = tf.keras.Sequential([
    tf.keras.layers.Dense(units=1, input_shape=[1])
])

# 编译模型，指定损失函数和优化器
model.compile(optimizer='sgd', loss='mean_squared_error')

# 假设我们有一些数据
import numpy as np
x_train = np.array([3., 4.])
y_train = np.array([5., 6.])

# 训练模型
model.fit(x_train, y_train, epochs=10)

# 使用模型进行预测
print("Prediction:", model.predict(np.array([10.])))

这只是一个简单的入门示例。TensorFlow的功能非常强大，包括构建复杂的神经网络、训练大规模数据集、进行实时推理等。随着课程的深入，我们将探索更多的概念和应用。