用神经网络实现预测 代码

下面是一个使用Python和Keras框架实现神经网络预测的示例代码：

# 引入必要的库
import numpy as np
import keras
from keras.models import Sequential
from keras.layers import Dense

# 准备数据
X = np.array([[0, 0], [0, 1], [1, 0], [1, 1]])
y = np.array([[0], [1], [1], [0]])

# 定义模型
model = Sequential()
# 添加输入层和隐藏层
model.add(Dense(units=4, input_dim=2, activation='relu'))
# 添加输出层
model.add(Dense(units=1, activation='sigmoid'))
# 编译模型
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])

# 训练模型
model.fit(X, y, epochs=1000, verbose=False)

# 预测结果
result = model.predict(np.array([[0, 0], [0, 1], [1, 0], [1, 1]]))
print(result)

这段代码实现了一个简单的神经网络，用于对逻辑异或运算进行预测。输入数据是两个二进制数值，输出结果为0或1。在训练过程中，模型会根据输入数据和预期的输出结果进行学习和优化。最终，我们可以用训练好的模型对新的数据进行预测。