在TensorFlow中，layers模塊提供了一種方便的方式來構建神經網絡模型。通過layers模塊，可以輕松地創建各種不同類型的層，如全連接層、卷積層、池化層等。
使用layers模塊可以更加簡潔地定義神經網絡模型，而不需要手動定義每一層的參數和操作。通過layers模塊，可以直接將不同類型的層堆疊在一起，構建出完整的神經網絡模型。
下面是一個簡單的示例，演示如何使用layers模塊構建一個簡單的全連接神經網絡模型：
import tensorflow as tf
# 定義輸入層
inputs = tf.keras.Input(shape=(784,))
# 添加全連接層
x = tf.keras.layers.Dense(128, activation='relu')(inputs)
x = tf.keras.layers.Dense(64, activation='relu')(x)
# 添加輸出層
outputs = tf.keras.layers.Dense(10, activation='softmax')(x)
# 定義模型
model = tf.keras.Model(inputs=inputs, outputs=outputs)
# 編譯模型
model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])
在上面的示例中，我們使用layers模塊定義了一個包含兩個全連接層和一個輸出層的簡單神經網絡模型。最后，通過Model類將輸入層和輸出層連接起來，構建出完整的模型。
