神经网络python代码详解

神经网络是一种模拟人脑工作原理的计算模型，通过连接多个节点（节点即神经元），处理复杂的输入数据并学习预测输出。Python作为流行的机器学习语言，有许多库如TensorFlow、PyTorch等可以方便地创建和训练神经网络。

以下是一个简单的例子，使用Keras库构建一个全连接神经网络（Multilayer Perceptron, MLP）：

# 导入所需的库
import tensorflow as tf
from tensorflow import keras

# 数据准备（这里假设我们已经有了输入数据X和目标标签y）
(X_train, y_train), (X_test, y_test) = keras.datasets.mnist.load_data()
X_train, X_test = X_train / 255.0, X_test / 255.0   # 归一化像素值到0-1范围

# 创建一个Sequential模型
model = keras.Sequential([
    keras.layers.Flatten(input_shape=(28, 28)),    # 展平输入数据
    keras.layers.Dense(128, activation='relu'),   # 全连接层，ReLU激活函数
    keras.layers.Dropout(0.2),                   # 防止过拟合，设置dropout比例
    keras.layers.Dense(10, activation='softmax')  # 输出层，Softmax用于分类
])

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

# 训练模型
model.fit(X_train, y_train, epochs=10, validation_data=(X_test, y_test))

# 测试模型性能
test_loss, test_acc = model.evaluate(X_test, y_test)
print(f"Test accuracy: {test_acc}")

在这个例子中，首先导入了必要的库，然后加载MNIST数据集，接着创建了一个简单的神经网络模型结构，并配置了优化器、损失函数和评估指标。最后，模型进行了训练，并在测试集上进行了性能评估。