用tf.function 封装1个隐藏层为128的mlp网络

可以使用`tf.keras.layers.Dense`来创建MLP网络，并使用`tf.function`对其进行封装。以下是示例代码：

import tensorflow as tf

# 定义MLP网络模型
model = tf.keras.Sequential([
    tf.keras.layers.Dense(units=128, activation='relu', input_shape=(784,)),
    tf.keras.layers.Dense(units=10, activation='softmax')
])

# 定义输入形状
input_shape = (None, 784)

# 创建一个示例输入张量
input_tensor = tf.ones((1,) + input_shape)

# 运行一次网络以构建变量
_ = model(input_tensor)

# 使用tf.function装饰器封装网络
@tf.function
def mlp_fn(inputs):
    return model(inputs)

# 调用封装后的函数进行前向传播
output = mlp_fn(input_tensor)

# 打印输出形状
print(output.shape)

在上面的示例中，我们首先定义了一个包含1个隐藏层为128的MLP网络模型，并使用`Sequential`容器来组合两个`Dense`层。然后，我们使用`tf.ones`创建了一个示例输入张量，并将其传递给MLP网络以构建变量。接下来，我们使用`tf.function`装饰器对MLP网络进行封装，并定义了一个输入参数`inputs`。最后，我们调用封装后的函数`mlp_fn`进行前向传播，并打印输出形状。