写一个基于Tensorflow的fashion mnist数据集识别算法（不用卷积神经网络）

好的，这是一个基于Tensorflow的fashion mnist数据集识别算法，使用的是全连接神经网络：

import tensorflow as tf
from tensorflow import keras

# 加载Fashion MNIST数据集
(train_images, train_labels), (test_images, test_labels) = keras.datasets.fashion_mnist.load_data()

# 数据预处理
train_images = train_images / 255.0
test_images = test_images / 255.0

# 定义模型
model = keras.Sequential([
    keras.layers.Flatten(input_shape=(28, 28)),
    keras.layers.Dense(128, activation='relu'),
    keras.layers.Dense(10)
])

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

# 训练模型
model.fit(train_images, train_labels, epochs=10)

# 评估模型
test_loss, test_acc = model.evaluate(test_images,  test_labels, verbose=2)
print('\nTest accuracy:', test_acc)

该模型包含一个Flatten层，将28x28的图像展平为一个784维的向量，然后通过一个包含128个神经元的全连接层进行特征提取，最后输出10个神经元，对应10个类别的概率值。模型使用adam优化器和交叉熵损失函数进行训练，并在测试集上进行评估。