Python 神经网络入门：Keras 实现示例

神经网络是一种模仿人类大脑的结构和功能的计算模型，它由一系列的神经元（节点）和连接它们的权重组成。它可以通过学习数据集中的模式和规律来进行预测、分类、回归等任务。

在 Python 中，有很多框架可以用于神经网络的实现，其中最流行的是 TensorFlow、Keras 和 PyTorch。以下是一个简单的使用 Keras 实现神经网络的例子：

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

# 创建一个神经网络模型
model = Sequential()

# 添加一层有 10 个神经元的全连接层，并指定输入数据的形状
model.add(Dense(units=10, activation='relu', input_shape=(4,))) 

# 添加一层有 3 个神经元的全连接层
model.add(Dense(units=3, 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=100)

# 预测
y_pred = model.predict(X_test)

这个例子中创建了一个有两层全连接层的神经网络，使用的激活函数分别是 ReLU 和 Softmax，损失函数是交叉熵，优化器是 Adam，评估指标是准确率。训练数据使用的是 X_train 和 y_train，测试数据使用的是 X_test，预测结果保存在 y_pred 中。