当需要介于0和1之间的浮点值时，TensorFlow MLP始终返回0或1

TensorFlow MLP（多层感知器）是一种人工神经网络模型，用于解决分类和回归问题。当需要介于0和1之间的浮点值时，TensorFlow MLP可能会返回0或1的原因有以下几个方面：

1. 激活函数选择：在神经网络中，激活函数决定了神经元的输出范围。常用的激活函数包括Sigmoid函数和ReLU函数。如果在输出层使用了Sigmoid函数作为激活函数，它的输出范围是[0, 1]，因此可能会导致输出值接近0或1。
2. 模型训练不充分：神经网络的训练过程是通过反向传播算法来优化模型参数，使其能够更好地拟合训练数据。如果训练数据中的样本在目标值接近0或1的情况下较少，或者训练次数较少，模型可能没有充分学习到介于0和1之间的浮点值。
3. 数据分布问题：如果输入数据的特征分布不均匀，或者存在较大的噪声干扰，可能会导致模型在预测时偏向于返回0或1。

针对这个问题，可以尝试以下方法来改进模型的输出结果：

1. 调整激活函数：尝试使用其他激活函数，如ReLU、Tanh等，根据具体情况选择适合的激活函数，以扩大输出范围。
2. 数据预处理：对输入数据进行归一化或标准化处理，以确保数据分布均匀，减少噪声干扰。
3. 增加训练样本：增加训练数据中介于0和1之间的浮点值的样本数量，使模型能够更好地学习到这些情况。
4. 调整模型结构：尝试增加隐藏层的数量或神经元的数量，增加模型的复杂度，以提高模型的拟合能力。

需要注意的是，以上方法仅为一般性建议，具体应根据实际情况进行调整。另外，腾讯云提供了一系列与机器学习和人工智能相关的产品和服务，如腾讯云机器学习平台（https://cloud.tencent.com/product/tcmlp）和腾讯云人工智能开放平台（https://cloud.tencent.com/product/aiopen）等，可以根据具体需求选择相应的产品和服务。