ANN模型可以适用于不同数量的输入。在ANN中，输入层的神经元数量可以根据输入的维度进行调整。

下面是一个使用Python和Keras库的示例代码，展示了如何构建一个适用于不同数量输入的ANN模型：

from keras.models import Sequential
from keras.layers import Dense

# 定义输入的维度
input_dim = 10

# 创建一个Sequential模型
model = Sequential()

# 添加输入层
model.add(Dense(32, input_dim=input_dim, activation='relu'))

# 添加隐藏层
model.add(Dense(64, activation='relu'))

# 添加输出层
model.add(Dense(1, activation='sigmoid'))

# 编译模型
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])

# 生成随机输入数据
import numpy as np
X_train = np.random.random((100, input_dim))
y_train = np.random.randint(2, size=(100, 1))

# 训练模型
model.fit(X_train, y_train, epochs=10, batch_size=10)

在上面的示例中，输入层的神经元数量由input_dim变量决定，该变量可以根据输入的维度进行调整。在示例中，input_dim被设为10，表示输入数据的维度为10。你可以根据实际情况将其调整为任意值。

然后，模型的结构可以自由地定义，可以添加任意数量的隐藏层和输出层。在示例中，我们添加了一个包含32个神经元的隐藏层和一个包含64个神经元的隐藏层，以及一个输出层。

最后，模型被编译并使用随机生成的数据进行训练。你可以根据实际情况替换为自己的数据。

通过这种方式，可以构建适用于不同数量输入的ANN模型。