python ANN代码

以下是一个简单的 Python 代码示例，用于创建一个人工神经网络（ANN）模型：

# 导入所需的库
import numpy as np
import tensorflow as tf

# 设置随机数种子
np.random.seed(0)
tf.random.set_seed(0)

# 加载数据集
from sklearn.datasets import load_breast_cancer
data = load_breast_cancer()
X = data.data
y = data.target

# 拆分训练集和测试集
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)

# 定义 ANN 模型
model = tf.keras.models.Sequential([
    tf.keras.layers.Dense(32, input_dim=30, activation='relu'),
    tf.keras.layers.Dense(16, activation='relu'),
    tf.keras.layers.Dense(1, activation='sigmoid')
])

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

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

# 评估模型
score = model.evaluate(X_test, y_test)
print('Test loss:', score[0])
print('Test accuracy:', score[1])

在这个例子中，我们使用 scikit-learn 库中的乳腺癌数据集来训练和测试 ANN 模型。我们使用 TensorFlow 库来定义和编译模型，并使用 Keras API 来训练和评估模型。我们使用三个密集层来构建模型，其中第一个层有 32 个神经元，第二个层有 16 个神经元，最后一层是一个 sigmoid 激活函数的输出层。我们使用交叉熵损失和 Adam 优化器来编译模型，并使用 100 个时期和批量大小为 32 的训练数据来训练模型。最后，我们评估模型在测试集上的性能，并打印出损失和准确性指标。