写一个keras回归网络

下面是一个简单的 Keras 回归网络的示例，包含一个输入层、两个隐藏层和一个输出层：

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

# 创建模型
model = Sequential()

# 添加输入层和第一个隐藏层
model.add(Dense(64, input_dim=10, activation='relu'))

# 添加第二个隐藏层
model.add(Dense(32, activation='relu'))

# 添加输出层
model.add(Dense(1, activation='linear'))

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

# 训练模型
model.fit(X_train, y_train, epochs=100, batch_size=32, validation_data=(X_test, y_test))

# 使用模型进行预测
y_pred = model.predict(X_test)

在这个例子中，我们使用了一个简单的全连接神经网络，包含一个输入层、两个隐藏层和一个输出层。我们使用了 relu 激活函数来激活隐藏层，并使用线性激活函数来激活输出层，因为我们是在解决回归问题。我们使用了均方误差作为模型的损失函数，使用 Adam 优化器进行优化。我们还指定了均方误差作为模型的度量标准。在训练模型时，我们将数据分为小批量，并使用 fit() 函数进行训练。最后，我们使用 predict() 函数来生成预测结果。