请给我一个简单的网络并运用tensorboard进行可视化

好的，可以参考以下代码：

import tensorflow as tf

# 创建输入层
with tf.name_scope('input'):
    x = tf.placeholder(tf.float32, [None, 784], name='x-input')
    y = tf.placeholder(tf.float32, [None, 10], name='y-input')

# 创建隐藏层1
with tf.name_scope('layer1'):
    with tf.name_scope('weights'):
        W1 = tf.Variable(tf.truncated_normal([784, 256], stddev=0.1), name='W1')
    with tf.name_scope('biases'):
        b1 = tf.Variable(tf.zeros([256]) + 0.1, name='b1')
    with tf.name_scope('Wx_plus_b'):
        L1 = tf.nn.relu(tf.matmul(x, W1) + b1)

# 创建隐藏层2
with tf.name_scope('layer2'):
    with tf.name_scope('weights'):
        W2 = tf.Variable(tf.truncated_normal([256, 128], stddev=0.1), name='W2')
    with tf.name_scope('biases'):
        b2 = tf.Variable(tf.zeros([128]) + 0.1, name='b2')
    with tf.name_scope('Wx_plus_b'):
        L2 = tf.nn.relu(tf.matmul(L1, W2) + b2)

# 创建输出层
with tf.name_scope('output'):
    with tf.name_scope('weights'):
        W3 = tf.Variable(tf.truncated_normal([128, 10], stddev=0.1), name='W3')
    with tf.name_scope('biases'):
        b3 = tf.Variable(tf.zeros([10]) + 0.1, name='b3')
    with tf.name_scope('Wx_plus_b'):
        prediction = tf.nn.softmax(tf.matmul(L2, W3) + b3)

# 定义损失函数和优化器
with tf.name_scope('loss'):
    loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y, logits=prediction))
    tf.summary.scalar('loss', loss)
with tf.name_scope('train'):
    train_step = tf.train.AdamOptimizer(0.001).minimize(loss)

# 加载数据
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets('MNIST_data', one_hot=True)

# 训练模型
with tf.Session() as sess:
    merged = tf.summary.merge_all()
    writer = tf.summary.FileWriter('logs/', sess.graph)
    sess.run(tf.global_variables_initializer())
    for epoch in range(51):
        for batch_xs, batch_ys in mnist.train.next_batch(100):
            sess.run(train_step, feed_dict={x: batch_xs, y: batch_ys})
        # 每迭代10次记录一次日志
        if epoch % 10 == 0:
            result = sess.run(merged, feed_dict={x: mnist.test.images, y: mnist.test.labels})
            writer.add_summary(result, epoch)

这段代码创建了一个包含两个隐藏层的神经网络，并使用了TensorBoard进行可视化。首先，我们使用`tf.name_scope()`给每个操作取名字，这样在TensorBoard中可以更清晰地看到图的结构。在代码中，我们使用了`tf.summary.scalar()`记录了损失函数的值。然后在训练过程中，我们使用`tf.summary.merge_all()`将所有的日志文件合并起来，使用`tf.summary.FileWriter()`将其写入到logs目录下，最后，在训练过程中每迭代10次，我们记录一次日志，以便在TensorBoard中观察训练的情况。