在TensorFlow中訓練一個簡單的神經網絡模型通常需要以下步驟：

1. 數據準備：準備好訓練數據和測試數據，并對數據進行預處理和標準化。

2. 構建神經網絡模型：使用TensorFlow的API構建一個神經網絡模型，可以選擇使用tf.keras高級API構建模型。

3. 編譯模型：編譯神經網絡模型，設置損失函數、優化器和評估指標。

4. 訓練模型：使用訓練數據對模型進行訓練，可以通過調用model.fit()方法來進行訓練。

5. 評估模型：使用測試數據對模型進行評估，可以通過調用model.evaluate()方法來進行評估。

下面是一個簡單的示例代碼，演示如何在TensorFlow中訓練一個簡單的神經網絡模型：

import tensorflow as tf
from tensorflow.keras import layers

# 準備數據
(x_train, y_train), (x_test, y_test) = tf.keras.datasets.mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0

# 構建神經網絡模型
model = tf.keras.Sequential([
    layers.Flatten(input_shape=(28, 28)),
    layers.Dense(128, activation='relu'),
    layers.Dropout(0.2),
    layers.Dense(10)
])

# 編譯模型
model.compile(optimizer='adam',
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
              metrics=['accuracy'])

# 訓練模型
model.fit(x_train, y_train, epochs=5)

# 評估模型
model.evaluate(x_test, y_test)

在這個示例中，我們首先準備了MNIST數據集，并將數據進行了預處理和標準化。然后構建了一個簡單的神經網絡模型，包括一個Flatten層、一個Dense層和一個Dropout層。接著編譯了模型，設置了優化器和損失函數。最后通過調用fit()方法對模型進行訓練，并調用evaluate()方法對模型進行評估。