请解释TensorFlow中的占位符（Placeholder）和它们的作用。如何使用TensorFlow构建和训练一个简单的神经网络模型？

请解释TensorFlow中的占位符（Placeholder）和它们的作用。
在TensorFlow 1.x版本中，占位符（Placeholder）是一个非常重要的概念。占位符是一个特殊的操作，它表示计算图中的一个位置，这个位置将在运行时被实际的数据所替代。换句话说，占位符允许我们定义计算图的结构，而不必立即提供所有输入数据。

占位符的主要作用如下：

动态输入数据：在构建计算图时，我们通常不知道所有输入数据的具体值。占位符允许我们在运行时动态地提供这些输入数据。这使得TensorFlow模型能够处理不同大小和形状的数据集。

定义输入接口：占位符是模型输入数据的接口。当我们在TensorFlow中构建模型时，我们需要定义哪些变量是模型的参数（通过tf.Variable），哪些变量是模型的输入（通过tf.placeholder）。这样，在训练或评估模型时，我们可以将实际的数据通过占位符传递给模型。

配合会话（Session）使用：在TensorFlow 1.x中，计算图是在会话中运行的。当运行会话时，我们需要通过feed_dict参数将实际数据传递给占位符。这样，数据就可以被计算图使用，并参与到计算过程中。

例如，以下是一个简单的TensorFlow 1.x代码片段，展示了如何使用占位符：

import tensorflow as tf  
  
# 定义占位符，用于输入数据和标签  
x = tf.placeholder(tf.float32, shape=[None, 784])  # 假设输入是784维的向量  
y = tf.placeholder(tf.float32, shape=[None, 10])  # 假设有10个类别的标签  
  
# 定义模型的其他部分（例如权重、偏置项、计算层等）  
# ...  
  
# 定义损失函数和优化器  
loss =