用tensorflow2创建一个5层的神经网络，输入特征有101个，输出标签有10个，激活函数可以自定义relu或sigmod,每训练100次打印成本，把完整的代码写出来

当然，我很乐意回答你的问题！以下是你所要求的神经网络的代码：

import tensorflow as tf

# 定义输入和输出的维度
input_dim = 101
output_dim = 10

# 定义自定义的激活函数
def my_activation(x):
    return tf.keras.activations.relu(x) # 或者 tf.keras.activations.sigmoid(x)

# 定义模型
model = tf.keras.models.Sequential([
    tf.keras.layers.Dense(64, activation=my_activation, input_dim=input_dim),
    tf.keras.layers.Dense(32, activation=my_activation),
    tf.keras.layers.Dense(16, activation=my_activation),
    tf.keras.layers.Dense(8, activation=my_activation),
    tf.keras.layers.Dense(output_dim, activation='softmax')
])

# 编译模型
model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])

# 打印模型概况
model.summary()

# 训练模型
for i in range(1000):
    cost = model.train_on_batch(x_train, y_train)
    if i % 100 == 0:
        print('Step %d, training cost: %f' % (i, cost[0]))

希望这个代码对你有所帮助！