在TensorFlow中，可以使用tf.keras来搭建神经网络。以下是一个简单的示例，展示了如何搭建一个包含两个隐藏层的全连接神经网络：
import tensorflow as tf
from tensorflow.keras import layers
# 定义模型
model = tf.keras.Sequential([
layers.Flatten(input_shape=(28, 28)), # 将输入展平成一维数组
layers.Dense(128, activation='relu'), # 第一个隐藏层，128个神经元，激活函数为ReLU
layers.Dense(64, activation='relu'), # 第二个隐藏层，64个神经元，激活函数为ReLU
layers.Dense(10, activation='softmax') # 输出层，10个神经元，激活函数为Softmax
])
# 编译模型
model.compile(optimizer='adam',
loss='sparse_categorical_crossentropy',
metrics=['accuracy'])
# 训练模型
model.fit(train_images, train_labels, epochs=10)
在上面的示例中，首先使用Sequential来定义一个顺序模型，然后通过layers模块添加不同类型的层，比如Flatten用于将输入展平，Dense用于添加全连接层。最后通过compile方法编译模型，指定优化器、损失函数和评估指标，然后使用fit方法训练模型。
