如何使用tf.keras构建一个简单的神经网络模型？

在TensorFlow库中，使用`tf.keras`模块构建简单神经网络模型非常直观。以下是一个基本步骤示例，展示如何创建一个用于分类问题的一层感知机（MLP）模型：

import tensorflow as tf
from tensorflow import keras

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

# 添加第一层（输入层），默认是没有激活函数的全连接层
model.add(keras.layers.Dense(units=64, input_dim=your_input_shape)) 

# 可选添加一些中间层（隐藏层）
# 这里假设我们有一个包含ReLU激活的隐藏层
model.add(keras.layers.Dense(units=32, activation='relu'))

# 最后添加输出层，对于二分类问题通常使用sigmoid激活
model.add(keras.layers.Dense(units=1, activation='sigmoid'))

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

# 模型可以接受numpy数组或张量作为输入数据
# 假设X_train和y_train是你的训练数据
model.fit(X_train, y_train, epochs=10, batch_size=32)

# 对于预测，你可以这样做：
predictions = model.predict(X_test)

这里`your_input_shape`应替换为你的输入数据的实际形状。你需要根据实际任务调整层数、节点数和激活函数等参数。