以下是一个不使用MNIST数据集的TensorFlow初学者示例，该例子使用了一个自定义的数据集：

import tensorflow as tf
import numpy as np

# 自定义数据集
# 假设我们有一个数据集，其中包含了10个样本，每个样本有784个特征
# 这些样本的标签是0或1，表示两个不同的类别
# 为了简化，我们直接生成随机的数据和标签
num_samples = 10
num_features = 784
data = np.random.randn(num_samples, num_features)
labels = np.random.randint(2, size=num_samples)

# 将数据集分为训练集和测试集
split_ratio = 0.8
split_index = int(num_samples * split_ratio)
train_data, train_labels = data[:split_index], labels[:split_index]
test_data, test_labels = data[split_index:], labels[split_index:]

# 构建模型
model = tf.keras.models.Sequential([
    tf.keras.layers.Dense(64, activation='relu', input_shape=(num_features,)),
    tf.keras.layers.Dense(64, activation='relu'),
    tf.keras.layers.Dense(1, activation='sigmoid')
])

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

# 训练模型
model.fit(train_data, train_labels, epochs=10, batch_size=1)

# 评估模型
test_loss, test_acc = model.evaluate(test_data, test_labels)
print('Test accuracy:', test_acc)

这个例子中，我们首先生成了一个包含10个样本的数据集，每个样本有784个特征。然后，我们将数据集分为训练集和测试集，其中80%的数据用于训练，20%的数据用于测试。

接下来，我们构建了一个包含3个全连接层的神经网络模型，并选择了适当的激活函数。然后，我们使用compile方法编译模型，指定了优化器、损失函数和评估指标。

最后，我们使用训练集的数据和标签来训练模型，指定了训练的轮数和批量大小。训练完成后，我们使用测试集数据和标签来评估模型的性能。

请注意，这只是一个简单的示例，数据集和模型都是随机生成的，并不代表实际应用中的情况。实际应用中，您可能需要根据具体的问题和数据集来调整模型的结构和参数。