写一个基于Tensorflow的fashion mnist数据集识别算法（不用卷积神经网络）

以下是一个基于Tensorflow的fashion mnist数据集识别算法的示例，使用的是全连接神经网络：

import tensorflow as tf
from tensorflow import keras
import numpy as np

# 加载数据集
fashion_mnist = keras.datasets.fashion_mnist
(train_images, train_labels), (test_images, test_labels) = fashion_mnist.load_data()

# 数据预处理
train_images = train_images / 255.0
test_images = test_images / 255.0

# 定义模型
model = keras.Sequential([
    keras.layers.Flatten(input_shape=(28, 28)),
    keras.layers.Dense(128, activation='relu'),
    keras.layers.Dense(10)
])

# 编译模型
model.compile(optimizer='adam',
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
              metrics=['accuracy'])

# 训练模型
model.fit(train_images, train_labels, epochs=10)

# 评估模型
test_loss, test_acc = model.evaluate(test_images, test_labels, verbose=2)
print('\nTest accuracy:', test_acc)

# 预测
predictions = model.predict(test_images)
predicted_labels = np.argmax(predictions, axis=1)

该模型使用一个Flatten层来将二维的图像数据展平成一维的向量，然后通过一个128个神经元的全连接层和一个输出10个类别的全连接层进行预测。在训练过程中，使用Adam优化器和交叉熵损失函数进行模型训练。最终通过在测试集上的表现来评估模型的准确性，并使用预测结果来预测测试集中的标签。