写一段TensorFlow代码

好的，以下是一段TensorFlow的代码示例：

import tensorflow as tf

# 定义输入数据
input_data = tf.placeholder(dtype=tf.float32, shape=[None, 28, 28, 1], name='input_data')

# 定义卷积层
conv1 = tf.layers.conv2d(input_data, filters=32, kernel_size=[5, 5], padding='same', activation=tf.nn.relu, name='conv1')
max_pool1 = tf.layers.max_pooling2d(conv1, pool_size=[2, 2], strides=[2, 2], padding='same', name='max_pool1')

# 定义全连接层
flatten = tf.layers.flatten(max_pool1, name='flatten')
dense1 = tf.layers.dense(flatten, units=256, activation=tf.nn.relu, name='dense1')
dense2 = tf.layers.dense(dense1, units=10, name='dense2')

# 定义损失函数和优化器
labels = tf.placeholder(dtype=tf.float32, shape=[None, 10], name='labels')
loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=dense2, labels=labels), name='loss')
train_op = tf.train.AdamOptimizer().minimize(loss)

# 运行模型
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    # 在此处输入训练数据和标签并进行训练
    # ...

以上示例实现了一个简单的卷积神经网络（CNN）模型，可以用于对手写数字进行识别。模型使用了TensorFlow提供的一些常见层，如卷积层、池化层、全连接层等，以及Adam优化器来进行模型训练。通过输入训练数据和标签，我们可以在Session中进行模型训练。