Keras构建简单神经网络：XOR逻辑门实现

使用Keras构建简单的XOR逻辑门神经网络

本示例展示如何使用Keras构建一个简单的两层神经网络模型，并使用XOR逻辑门数据集进行训练和预测。

import numpy as np
from keras.models import Sequential
from keras.layers import Dense

# 构建数据集
data = np.array([[1, 1], [1, 0], [0, 1], [0, 0]])
labels = np.array([1, 0, 0, 0])

# 构建神经网络模型
model = Sequential()
model.add(Dense(4, input_dim=2, activation='relu'))
model.add(Dense(1, activation='sigmoid'))
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])

# 训练模型
model.fit(data, labels, epochs=1000, batch_size=4)

# 预测结果
predictions = model.predict(data)
print(predictions)

第7行代码作用：

model.add(Dense(4, input_dim=2, activation='relu'))

该行代码向模型中添加一个全连接层（Dense layer），该层包含4个神经元，输入维度为2，激活函数为ReLU。这一层的作用是对输入进行线性变换，并使用ReLU激活函数进行非线性变换，从而提取特征。