给我一个应用的示例代码

下面是一个简单的示例代码，展示如何使用Python和TensorFlow框架来构建一个基本的图像分类模型：

import tensorflow as tf

# 准备数据集
(train_images, train_labels), (test_images, test_labels) = tf.keras.datasets.mnist.load_data()
train_images = train_images.reshape(-1, 28, 28, 1).astype('float32') / 255.0
test_images = test_images.reshape(-1, 28, 28, 1).astype('float32') / 255.0

# 构建模型
model = tf.keras.models.Sequential([
    tf.keras.layers.Conv2D(32, (3,3), activation='relu', input_shape=(28, 28, 1)),
    tf.keras.layers.MaxPooling2D((2, 2)),
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(64, activation='relu'),
    tf.keras.layers.Dense(10, activation='softmax')
])

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

# 训练模型
model.fit(train_images, train_labels, epochs=5, validation_data=(test_images, test_labels))

# 使用模型进行预测
predictions = model.predict(test_images)

上述代码通过使用MNIST手写数字数据集构建了一个简单的卷积神经网络模型。模型包含了卷积层、池化层、全连接层等组件，并使用`adam`优化器和`sparse_categorical_crossentropy`损失函数进行训练。通过调用`fit`函数进行训练，并在测试集上进行验证。最后，使用训练好的模型对测试集进行预测。

请注意，这只是一个简单的示例代码，实际应用中可能需要更复杂的模型和数据预处理步骤，也可以根据具体任务进行调整和优化。