在Keras中，可以通过Sequential模型来创建一个简单的全连接神经网络。以下是一个例子：
from keras.models import Sequential
from keras.layers import Dense
# 创建一个Sequential模型
model = Sequential()
# 添加输入层和隐藏层
model.add(Dense(units=64, activation='relu', input_dim=100))
# 添加输出层
model.add(Dense(units=10, activation='softmax'))
# 编译模型
model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])
# 训练模型
model.fit(X_train, y_train, epochs=10, batch_size=32)
在这个例子中，我们创建了一个包含一个输入层，一个隐藏层和一个输出层的全连接神经网络。输入层有100个特征，隐藏层有64个神经元并使用ReLU激活函数，输出层有10个神经元并使用softmax激活函数。我们使用adam优化器和交叉熵损失函数来编译模型，并训练模型10个epochs。
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容，请发送邮件至 55@qq.com 举报，一经查实，本站将立刻删除。转转请注明出处：https://www.szhjjp.com/n/919824.html
