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

💖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（附可视化与 MLP）

在 TensorFlow 中，除了使用 Sequential 或 Functional API 来快速搭建模型外，我们还可以通过 底层 API 手动实现模型训练过程。这种方式适合：

• 理解梯度下降与参数更新机制
• 定制化训练流程（例如 GAN、强化学习等场景）
• 逐步过渡到更复杂的深度学习应用

本文分为两部分：

1. 使用底层 API 实现 逻辑回归
2. 扩展为 多层感知机（MLP）+ Mini-Batch 训练

---

📌 一、数据准备

我们生成一个二维数据集用于二分类。

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.xlabel("x1")
plt.ylabel("x2")
plt.show()

---

📌 二、逻辑回归模型（回顾）

我们先实现一个 逻辑回归模型。

# 参数定义
w = tf.Variable(tf.random.normal([2, 1]))
b = tf.Variable(tf.zeros