使用model.fit()函数写深度学习算法

model.fit()函数是Keras中用于训练深度学习模型的函数，它可以让我们很方便地完成深度学习算法的实现。下面是一个使用model.fit()函数实现深度学习算法的示例代码：

from keras.models import Sequential
from keras.layers import Dense
import numpy as np

# 构建一个简单的神经网络模型
model = Sequential()
model.add(Dense(units=64, activation='relu', input_dim=100))
model.add(Dense(units=10, activation='softmax'))

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

# 生成随机数据
data = np.random.random((1000, 100))
labels = np.random.randint(10, size=(1000, 1))

# 将标签转化为one-hot编码
one_hot_labels = keras.utils.to_categorical(labels, num_classes=10)

# 训练模型
model.fit(data, one_hot_labels, epochs=10, batch_size=32)

在这个例子中，我们首先构建了一个简单的神经网络模型，包含一个输入层、一个隐藏层和一个输出层。然后，我们编译了模型，指定了损失函数、优化器和评估指标。接着，我们生成了一些随机数据和标签，并将标签转化为one-hot编码。最后，我们使用model.fit()函数来训练模型，指定了训练数据、标签、迭代次数和批量大小。