帮我写一个基于minist数据集的神经网络模型训练代码

好的，以下是一个使用 TensorFlow 和 Keras 框架实现的简单神经网络模型代码，用于训练 MNIST 数据集：

import tensorflow as tf
from tensorflow import keras

# 加载 MNIST 数据集
(x_train, y_train), (x_test, y_test) = keras.datasets.mnist.load_data()

# 对图像数据进行预处理
x_train = x_train.reshape(x_train.shape[0], 28 * 28) / 255.0
x_test = x_test.reshape(x_test.shape[0], 28 * 28) / 255.0

# 建立模型
model = keras.Sequential([
    keras.layers.Dense(128, activation='relu', input_shape=(28 * 28,)),
    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(x_train, y_train, epochs=5)

# 评估模型
test_loss, test_acc = model.evaluate(x_test, y_test)
print('Test Accuracy: ', test_acc)

这是一个非常简单的神经网络模型，它可以对 MNIST 数据集进行分类。你可以通过修改代码来定制它以适应更复杂的场景。