介绍 TensorFlow 的基本概念和使用场景。

TensorFlow 是一个由谷歌开发的开源机器学习框架，广泛应用于深度学习领域。它提供了一个灵活的平台，可以用于构建各种机器学习模型，包括神经网络。TensorFlow 的基本概念和使用场景如下：

1. 张量（Tensor）：TensorFlow 中的基本数据结构就是张量，可以简单理解为多维数组。张量可以是标量（0 维张量）、向量（1 维张量）、矩阵（2 维张量）等。在 TensorFlow 中，所有数据都以张量的形式进行处理。

2. 计算图（Computational Graph）：TensorFlow 使用计算图来表示数据流图，其中节点表示操作（如加法、乘法等），边表示数据流（张量）。通过构建计算图，可以更有效地优化和执行机器学习模型。

3. 会话（Session）：TensorFlow 中的会话用于执行计算图。在会话中，可以对计算图进行初始化、赋值、运行等操作，并获取结果。

4. 变量（Variable）：变量是在模型训练过程中需要被优化的参数，例如神经网络中的权重和偏置。变量需要在计算图中被明确定义，并且在会话中进行初始化。

5. 模型构建和训练：TensorFlow 提供了丰富的 API，可以用于构建各种机器学习模型，如神经网络、决策树、支持向量机等。通过定义模型结构、损失函数和优化方法，可以对模型进行训练和优化。

使用场景：

• 深度学习模型训练：TensorFlo