TensorFlow和Keras是Python中非常流行的深度学习框架。TensorFlow是一个开源软件库，用于高性能数值计算，主要用于机器学习应用。Keras是一个用Python编写的高级神经网络API，能够在TensorFlow、Theano或CNTK上运行。由于Keras的易用性和简洁性，它经常作为TensorFlow的高级API使用。

以下是一个简单的例子，展示如何使用TensorFlow和Keras来构建和训练一个基本的神经网络模型，用于解决MNIST手写数字识别问题。

首先，你需要安装TensorFlow。你可以使用pip来安装：

pip install tensorflow

然后，你可以使用以下代码来构建和训练模型：

import tensorflow as tf  
from tensorflow.keras.datasets import mnist  
from tensorflow.keras.models import Sequential  
from tensorflow.keras.layers import Dense, Dropout, Flatten  
from tensorflow.keras.layers import Conv2D, MaxPooling2D  
  
# 输入图像的维度  
img_rows, img_cols = 28, 28  
num_classes = 10  
  
# 加载MNIST数据集  
(x_train, y_train), (x_test, y_test) = mnist.load_data()  
  
# 将数据归一化到0-1之间  
x_train = x_train.reshape(x_train.shape[0], img_rows, img_cols, 1)  
x_test = x_test.reshape(x_test.shape[0], img_rows, img_cols, 1)  
input_shape = (img_rows, img_cols, 1)  
  
x_train = x_train.astype('float32')  
x_test = x_test.astype('float32')  
x_train /= 255  
x_test /= 255  
  
# 将类向量（整数）转换为二进制类矩阵  
y_train = tf.keras.utils.to_categorical(y_train, num_classes)  
y_test = tf.keras.utils.to_categorical(y_test, num_classes)  
  
# 构建模型  
model = Sequential()  
model.add(Conv2D(32, kernel_size=(3, 3),  
                 activation='relu',  
                 input_shape=input_shape))  
model.add(Conv2D(64, (3, 3), activation='relu'))  
model.add(MaxPooling2D(pool_size=(2, 2)))  
model.add(Dropout(0.25))  
model.add(Flatten())  
model.add(Dense(128, activation='relu'))  
model.add(Dropout(0.5))  
model.add(Dense(num_classes, activation='softmax'))  
  
# 编译模型  
model.compile(loss=tf.keras.losses.categorical_crossentropy,  
              optimizer=tf.keras.optimizers.Adadelta(),  
              metrics=['accuracy'])  
  
# 训练模型  
model.fit(x_train, y_train,  
          batch_size=128,  
          epochs=10,  
          verbose=1,  
          validation_data=(x_test, y_test))  
  
# 评估模型  
score = model.evaluate(x_test, y_test, verbose=0)  
print('Test loss:', score[0])  
print('Test accuracy:', score[1])

这个模型是一个卷积神经网络（CNN），它首先通过两个卷积层学习图像的特征，然后通过最大池化层来降低维度，最后通过全连接层进行分类。模型在训练集上进行训练，并在测试集上进行评估。注意，我们在模型中添加了两层Dropout，这是一种正则化技术，可以帮助防止过拟合。