Python神经网络代码

在Python中，使用深度学习库如TensorFlow、PyTorch或Keras来实现神经网络是很常见的。这里我会简要地介绍一个用Keras库构建一个简单神经网络的基本步骤，它是基于TensorFlow的。

# 导入所需库
from keras.models import Sequential
from keras.layers import Dense

# 初始化一个Sequential模型
model = Sequential()

# 添加输入层（节点数），隐藏层和输出层
# 假设我们有一个输入特征数为10的输入数据，有3个隐藏层，每个隐藏层有20个神经元
model.add(Dense(20, input_dim=10, activation='relu'))  # 第一个隐藏层，ReLU激活函数
model.add(Dense(20, activation='relu'))            # 第二个隐藏层
model.add(Dense(20, activation='relu'))            # 第三个隐藏层

# 添加输出层，假设我们的问题是二分类，所以用sigmoid作为激活函数
model.add(Dense(1, activation='sigmoid'))

# 编译模型，指定损失函数（如binary_crossentropy）、优化器（如Adam）和评估指标（如accuracy）
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])

# 使用训练数据拟合模型
model.fit(x_train, y_train, epochs=10, batch_size=32, validation_data=(x_test, y_test))

# 预测新数据
predictions = model.predict(x_new)

# 可能还需要对预测结果进行处理，比如二分类问题中的thresholding