TensorFlow训练一个简单的分类模型代码

以下是一个使用TensorFlow训练一个简单的分类模型的示例代码：

import tensorflow as tf
import numpy as np

# 生成训练数据
train_data = np.random.rand(1000, 10)
train_labels = np.random.randint(0, 2, size=(1000, 1))

# 定义模型
model = tf.keras.Sequential([
    tf.keras.layers.Dense(32, activation='relu', input_shape=(10,)),
    tf.keras.layers.Dense(1, activation='sigmoid')
])

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

# 训练模型
model.fit(train_data, train_labels, epochs=10, batch_size=32, validation_split=0.2)

在这个例子中，我们首先生成了一个包含1000个样本和10个特征的训练数据集。然后，我们定义了一个包含两个全连接层的神经网络模型，其中第一个层有32个神经元，激活函数为ReLU，输入维度为10，第二个层为一个输出单元的层，激活函数为sigmoid。

我们使用Adam优化器和二元交叉熵损失函数来编译模型，并指定了准确率作为评估指标。最后，我们使用fit方法来训练模型，训练10个epochs，每个batch的大小为32，同时使用20%的数据作为验证集。