完成一个简单的二分类任务使用深度学习模型．

好的，这是一个基本的二分类任务，我们可以使用多种深度学习模型来解决这个问题，比如神经网络、卷积神经网络、循环神经网络等等。在这里，我将介绍一种简单但有效的模型——多层感知机（Multilayer Perceptron，MLP）。

MLP是一种前馈神经网络，它由多个全连接层组成。每个全连接层都由一组神经元组成，它们将输入信号映射到输出信号。MLP中的每个神经元都与前一层中的所有神经元相连，因此，MLP能够学习复杂的非线性函数。

下面是使用Python和Keras实现二分类任务的简单代码：

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

# 生成数据
np.random.seed(0)
X = np.random.rand(1000, 10)
y = np.random.randint(2, size=(1000, 1))

# 定义模型
model = Sequential()
model.add(Dense(32, input_dim=10, activation='relu'))
model.add(Dense(1, activation='sigmoid'))

# 编译模型
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])

# 训练模型
model.fit(X, y, epochs=10, batch_size=32)

# 评估模型
loss, accuracy = model.evaluate(X, y)
print('Loss:', loss)
print('Accuracy:', accuracy)

在这个代码中，我们首先使用Numpy生成了一个形状为(1000, 10)的随机数输入矩阵X和一个形状为(1000, 1)的随机数标签矩阵y。然后，我们使用Keras创建了一个包含一个输入层、一个隐藏层和一个输出层的MLP模型。其中，输入层有10个神经元，隐藏层有32个神经元，输出层有1个神经元。最后，我们使用二元交叉熵作为损失函数，Adam优化器作为优化算法，训练模型并评估其性能。

这个任务并不需要很深的网络模型，MLP就能够很好地解决它。当然，如果你有更复杂的任务，可能需要使用更深的神经网络模型。