在PaddlePaddle框架中構建神經網絡模型可以分為以下幾個步驟：

1. 導入PaddlePaddle相關的庫：

import paddle
import paddle.fluid as fluid

2. 定義神經網絡模型：

def network(input):
    # 定義神經網絡的結構
    hidden = fluid.layers.fc(input=input, size=100, act='relu')
    output = fluid.layers.fc(input=hidden, size=10, act='softmax')
    return output

3. 定義輸入數據的占位符：

input = fluid.layers.data(name='input', shape=[28, 28], dtype='float32')
label = fluid.layers.data(name='label', shape=[1], dtype='int64')

4. 使用定義好的神經網絡模型來構建前向計算圖：

output = network(input)

5. 定義損失函數和優化方法：

cost = fluid.layers.cross_entropy(input=output, label=label)
avg_cost = fluid.layers.mean(cost)
optimizer = fluid.optimizer.Adam(learning_rate=0.001)
optimizer.minimize(avg_cost)

6. 定義訓練過程：

BATCH_SIZE = 64
train_reader = paddle.batch(paddle.reader.shuffle(paddle.dataset.mnist.train(), buf_size=500), batch_size=BATCH_SIZE)
place = fluid.CPUPlace()
exe = fluid.Executor(place)
exe.run(fluid.default_startup_program())

for pass_id in range(10):
    for batch_id, data in enumerate(train_reader()):
        train_cost = exe.run(feed={
            'input': data[0],
            'label': data[1]
        })
        print('Pass: %d, Batch: %d, Cost: %f' % (pass_id, batch_id, train_cost[0]))

7. 使用訓練好的模型進行預測：

test_reader = paddle.batch(paddle.dataset.mnist.test(), batch_size=BATCH_SIZE)
for batch_id, data in enumerate(test_reader()):
    test_cost = exe.run(feed={
        'input': data[0],
        'label': data[1]
    })
    print('Test Batch: %d, Cost: %f' % (batch_id, test_cost[0]))

以上就是在PaddlePaddle框架中構建神經網絡模型的基本步驟，可以根據具體的需求和數據集進行進一步的調整和優化。