在TensorFlow中，可以使用tf.keras來搭建神經網絡。以下是一個簡單的示例，展示了如何搭建一個包含兩個隱藏層的全連接神經網絡：
import tensorflow as tf
from tensorflow.keras import layers
# 定義模型
model = tf.keras.Sequential([
layers.Flatten(input_shape=(28, 28)), # 將輸入展平成一維數組
layers.Dense(128, activation='relu'), # 第一個隱藏層，128個神經元，激活函數為ReLU
layers.Dense(64, activation='relu'), # 第二個隱藏層，64個神經元，激活函數為ReLU
layers.Dense(10, activation='softmax') # 輸出層，10個神經元，激活函數為Softmax
])
# 編譯模型
model.compile(optimizer='adam',
loss='sparse_categorical_crossentropy',
metrics=['accuracy'])
# 訓練模型
model.fit(train_images, train_labels, epochs=10)
在上面的示例中，首先使用Sequential來定義一個順序模型，然后通過layers模塊添加不同類型的層，比如Flatten用于將輸入展平，Dense用于添加全連接層。最后通過compile方法編譯模型，指定優化器、損失函數和評估指標，然后使用fit方法訓練模型。
