在开始学习TensorFlow 2.0之前，我们需要先了解一些基本概念。TensorFlow是一个开源的机器学习库，用于构建和训练深度学习模型。它使用张量（tensor）作为数据结构的基本单位，用于表示多维数组。
要开始使用TensorFlow 2.0，您需要先安装它。您可以使用pip命令在命令行中安装TensorFlow：

pip install tensorflow

安装完成后，我们可以开始编写代码了。以下是一个简单的例子，用于创建一个张量并执行一些基本的操作：

import tensorflow as tf
# 创建一个张量
tensor1 = tf.constant([1, 2, 3])
print(tensor1)
# 对张量执行操作
tensor2 = tensor1 + 1
print(tensor2)

在这个例子中，我们首先导入了tensorflow模块，然后使用tf.constant()函数创建了一个张量。我们还将另一个操作应用于这个张量，将其加1。
除了基本的张量和操作之外，TensorFlow还提供了许多其他功能，例如数据类型、变量、损失函数、优化器和评估指标等。这些功能可用于构建和训练各种机器学习模型。
为了更好地理解TensorFlow的用法，我们可以使用Keras API来构建一个简单的神经网络模型。以下是一个使用Keras构建的简单多层感知器（MLP）模型的例子：

from tensorflow.keras import layers, models
# 创建一个模型对象
model = models.Sequential()
# 添加输入层和隐藏层
model.add(layers.Dense(64, activation='relu', input_shape=(10,)))
model.add(layers.Dense(32, activation='relu'))
# 添加输出层
model.add(layers.Dense(10, activation='softmax'))
# 编译模型，设置损失函数、优化器和评估指标
model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])

在这个例子中，我们首先导入了Keras的相关模块，然后创建了一个模型对象。我们使用model.add()方法添加了三个层：输入层、第一个隐藏层和第二个隐藏层。最后，我们使用model.compile()方法设置了损失函数、优化器和评估指标。
要训练这个模型，我们需要准备一个数据集并将其分为训练集和测试集。然后，我们可以使用fit()方法来训练模型：
```python

准备数据集并分割为训练集和测试集

from tensorflow.keras import datasets, models, layers, optimizers, losses, metrics, backend as K
import numpy as np
(x_train, y_train), (x_test, y_test) = datasets.mnist.load_data() # MNIST数据集作为示例数据集使用，您也可以使用其他数据集。
x_train, x_test = x_train / 255.0, x_test / 255.0 # 数据归一化处理
y_train = tf.keras.utils.to_categorical(y_train, 10) # 将标签进行one-hot编码处理
y_test = tf.keras.utils.to_categorical(y_test, 10) # 将标签进行one-hot编码处理
model.build((None, 2828)) # 根据输入数据的形状构建模型网络结构层数和节点数等。注意这里的2828是因为MNIST手写数字图片是28*28像素大小。
model.compile(optimizer=’adam’, loss=losses.categorical_crossentropy, metrics=[‘accuracy’]) # 使用Adam优化器和交叉熵损失函数进行模型编译。同时添加准确率作为评价标准。这里的’categorical_crossentropy’和’accuracy’都是预先定义好的类或者函数，它们对应了特定的损失函数和评价标准。请注意在损失函数中使用的’categorical_crossentropy’适用于多分类问题，如果你的问题是二元分类问题，你应该使用’binary_crossentropy’作为损失函数。另外在模型编译时还可以添加更多的参数进行更详细的配置，例如学习率等。