在TensorFlow中，可以使用tf.data.Dataset類來加載和處理數據集，并使用model.fit()方法來訓練模型。以下是一個簡單的示例代碼：

import tensorflow as tf

# 加載數據集
(train_images, train_labels), (test_images, test_labels) = tf.keras.datasets.mnist.load_data()
train_images = train_images / 255.0
test_images = test_images / 255.0

# 創建Dataset對象
train_dataset = tf.data.Dataset.from_tensor_slices((train_images, train_labels))
test_dataset = tf.data.Dataset.from_tensor_slices((test_images, test_labels))

# 對數據集進行預處理
train_dataset = train_dataset.shuffle(60000).batch(32)
test_dataset = test_dataset.batch(32)

# 創建模型
model = tf.keras.Sequential([
    tf.keras.layers.Flatten(input_shape=(28, 28)),
    tf.keras.layers.Dense(128, activation='relu'),
    tf.keras.layers.Dense(10, activation='softmax')
])

# 編譯模型
model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

# 在線訓練模型
model.fit(train_dataset, epochs=5, validation_data=test_dataset)

在這個示例中，我們加載了MNIST數據集，并使用tf.data.Dataset.from_tensor_slices()方法創建了訓練和測試數據集。我們對數據集進行了預處理，并使用model.fit()方法來訓練模型。在訓練過程中，模型會在每個epoch結束后對測試數據集進行驗證。