如果 Keras 已经被集成到 TensorFlow 中，我应该如何使用 TensorFlow 的 Keras API？

如果 Keras 已经被集成到 TensorFlow 中，您应该使用 TensorFlow 的 Keras API 来构建和训练模型。下面是使用 TensorFlow 的 Keras API 的基本步骤：

1. 导入 TensorFlow 库：

import tensorflow as tf

2. 使用 `tf.keras` 模块来定义模型。这个模块提供了构建和训练模型所需的所有功能。您可以使用 `Sequential` 类或者函数式 API 来创建模型。

使用 `Sequential` 类构建模型：

model = tf.keras.Sequential([
    tf.keras.layers.Dense(units=64, activation='relu', input_shape=(input_dimension,)),
    tf.keras.layers.Dense(units=10, activation='softmax')
])

使用函数式 API 构建更复杂的模型结构：

input_layer = tf.keras.Input(shape=(input_dimension,))
x = tf.keras.layers.Dense(64, activation='relu')(input_layer)
output_layer = tf.keras.layers.Dense(10, activation='softmax')(x)
model = tf.keras.Model(inputs=input_layer, outputs=output_layer)

3. 编译模型。在编译时，您需要指定损失函数、优化器以及评价模型性能的指标：

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

4. 准备训练数据，并训练模型：

# 假设 x_train 和 y_train 分别是输入数据和标签
model.fit(x_train, y_train, epochs=5)

5. 评估和使用模型进行预测：

# 评估模型
loss, accuracy = model.evaluate(x_test, y_test)

# 使用模型进行预测
predictions = model.predict(x_test)