神經網絡是機器學習的一種重要方法，可以用于圖像識別、自然語言處理等領域。Python作為一門強大的編程語言，有很多開源的機器學習庫，其中Tensorflow就是應用廣泛的一個。在Tensorflow中，可以用Python實現多層感知機（Multilayer Perceptron，簡稱MLP）模型。

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
# 加載MNIST數據
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)
# 構建模型
x = tf.placeholder(tf.float32, [None, 784])
y_ = tf.placeholder(tf.float32, [None, 10])
# 第一層隱藏層
W1 = tf.Variable(tf.truncated_normal([784, 100], stddev=0.1))
b1 = tf.Variable(tf.zeros([100]))
h1 = tf.nn.relu(tf.matmul(x, W1) + b1)
# 第二層隱藏層
W2 = tf.Variable(tf.truncated_normal([100, 100], stddev=0.1))
b2 = tf.Variable(tf.zeros([100]))
h2 = tf.nn.relu(tf.matmul(h1, W2) + b2)
# 輸出層
W3 = tf.Variable(tf.truncated_normal([100, 10], stddev=0.1))
b3 = tf.Variable(tf.zeros([10]))
y = tf.nn.softmax(tf.matmul(h2, W3) + b3)
# 訓練模型
cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_ * tf.log(y), reduction_indices=[1]))
train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)
sess = tf.InteractiveSession()
tf.global_variables_initializer().run()
for i in range(1000):
batch_xs, batch_ys = mnist.train.next_batch(100)
sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys})
# 評估模型
correct_prediction = tf.equal(tf.argmax(y,1), tf.argmax(y_,1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
print(sess.run(accuracy, feed_dict={x: mnist.test.images, y_: mnist.test.labels}))

上述代碼中，我們使用Tensorflow加載MNIST數據，并構建了一個具有兩個隱藏層的MLP模型。我們使用交叉熵作為損失函數，使用梯度下降優化器來最小化損失函數。在訓練模型時，我們使用了隨機梯度下降來更新權重和偏置值，這也是一種高效的優化方法。

在評估模型時，我們使用了準確率作為評價指標。在MNIST數據集上，我們得到了約98%的準確率，表明該模型在圖像識別任務中表現較好。