神经网络是深度学习的基础，本文将为您介绍 TensorFlow 中的神经网络基本概念和使用方法。
神经网络简介
神经网络是由大量相互连接的神经元组成的计算模型，它可以模拟人脑处理信息的方式。在 TensorFlow 中，神经网络可以通过多种层（如全连接层、卷积层、循环层等）进行构建。
创建神经网络
以下是一个简单的神经网络示例：
import tensorflow as tf
model = tf.keras.Sequential([
tf.keras.layers.Dense(128, activation='relu', input_shape=(784,)),
tf.keras.layers.Dense(10, activation='softmax')
])
在上面的代码中，我们创建了一个包含两个层的神经网络。第一个层是一个全连接层，它将输入的 784 个特征映射到 128 个神经元；第二个层也是一个全连接层，它将 128 个神经元映射到 10 个神经元，这通常用于分类任务。
训练神经网络
创建完模型后，我们需要使用训练数据来训练它。以下是一个简单的训练示例：
model.compile(optimizer='adam',
loss='sparse_categorical_crossentropy',
metrics=['accuracy'])
model.fit(x_train, y_train, epochs=5)
在上面的代码中，我们使用 Adam 优化器和稀疏分类交叉熵损失函数来编译模型，并使用训练数据 x_train 和 y_train 进行 5 个周期的训练。
扩展阅读
如果您想了解更多关于 TensorFlow 和神经网络的细节，可以阅读以下教程：
图片示例
以下是一个神经网络结构的示例图片：
希望这篇教程能够帮助您更好地理解 TensorFlow 中的神经网络。