在TensorFlow中，可以通過定義一個類來封裝算法，并在類中實現算法的所有邏輯。下面是一個簡單的示例，展示了如何封裝一個簡單的線性回歸算法：

import tensorflow as tf

class LinearRegression:
    def __init__(self, learning_rate=0.01, num_epochs=100):
        self.learning_rate = learning_rate
        self.num_epochs = num_epochs
        self.weights = None
        self.bias = None

    def fit(self, X, y):
        num_features = X.shape[1]
        
        self.weights = tf.Variable(tf.random.normal(shape=(num_features, 1)))
        self.bias = tf.Variable(tf.zeros(shape=(1,)))
        
        for epoch in range(self.num_epochs):
            with tf.GradientTape() as tape:
                y_pred = tf.matmul(X, self.weights) + self.bias
                loss = tf.reduce_mean(tf.square(y_pred - y))
                
            gradients = tape.gradient(loss, [self.weights, self.bias])
            self.weights.assign_sub(self.learning_rate * gradients[0])
            self.bias.assign_sub(self.learning_rate * gradients[1])
            
            if epoch % 10 == 0:
                print(f'Epoch {epoch}, Loss: {loss.numpy()}')

    def predict(self, X):
        return tf.matmul(X, self.weights) + self.bias

在上面的示例中，我們定義了一個LinearRegression類，其中包含了初始化方法__init__、擬合方法fit和預測方法predict。在fit方法中，我們使用梯度下降算法來更新模型參數，直到達到指定的迭代次數。在predict方法中，我們使用訓練好的模型參數來進行預測。

要使用這個封裝好的線性回歸算法，可以按照以下步驟進行：

import numpy as np

# 生成一些隨機數據
X = np.random.rand(100, 1)
y = 2 * X + 3 + np.random.randn(100, 1) * 0.1

# 創建線性回歸模型
model = LinearRegression()

# 擬合模型
model.fit(X, y)

# 進行預測
predictions = model.predict(X)
print(predictions)

通過封裝算法，我們可以更方便地使用TensorFlow實現各種機器學習算法，并且可以提高代碼的可重用性和可維護性。