在TensorFlow中，可以使用tf.keras.Sequential()来定义模型结构。Sequential()是一个按照顺序构建的模型容器，可以通过添加层来定义模型的结构。
例如，下面是一个简单的使用Sequential()定义一个包含两个全连接层的神经网络模型的示例：
import tensorflow as tf
model = tf.keras.Sequential([
tf.keras.layers.Flatten(input_shape=(28, 28)), # 将输入数据展平为一维向量
tf.keras.layers.Dense(128, activation='relu'), # 添加第一个全连接层，128个神经元，激活函数为ReLU
tf.keras.layers.Dense(10, activation='softmax') # 添加输出层，10个神经元，激活函数为softmax
])
在上面的例子中，我们首先通过Sequential()创建一个模型容器，然后添加了一个Flatten层，将输入数据展平为一维向量，然后添加了一个包含128个神经元的全连接层，激活函数为ReLU，最后添加了一个包含10个神经元的输出层，激活函数为softmax。
除了使用Sequential()外，还可以通过继承tf.keras.Model类来自定义模型结构。这种方式更加灵活，可以定义更加复杂的模型结构。
