数据是有18列 用python实现

好的，那么我们就以一个简单的二分类问题为例，使用Python和TensorFlow框架来实现一个基础的神经网络模型。

首先，我们需要准备好数据集，将其转化为NumPy数组格式。假设数据集有18列，我们可以将前17列作为输入特征，最后一列作为标签。

import numpy as np

# 读取数据集
data = np.loadtxt('data.csv', delimiter=',')
# 将前17列作为输入特征，最后一列作为标签
x = data[:, :-1]
y = data[:, -1]

接下来，我们需要将数据集分为训练集和测试集。一般来说，训练集占总数据集的80%，测试集占20%。

from sklearn.model_selection import train_test_split

# 将数据集分为训练集和测试集
x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.2, random_state=42)

然后，我们需要对输入特征进行归一化处理，以便神经网络更好地学习。

from sklearn.preprocessing import StandardScaler

# 对输入特征进行归一化处理
scaler = StandardScaler()
x_train = scaler.fit_transform(x_train)
x_test = scaler.transform(x_test)

接下来，我们可以开始构建神经网络模型。我们使用TensorFlow 2.0版本，使用Sequential模型来构建。

import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense

# 构建神经网络模型
model = Sequential([
    Dense(units=64, activation='relu', input_shape=(17,)),
    Dense(units=32, activation='relu'),
    Dense(units=1, activation='sigmoid')
])

在上面的代码中，我们构建了一个包含三个全连接层的神经网络模型。其中第一层有64个神经元，第二层有32个神经元，最后一层使用sigmoid激活函数输出一个0到1之间的概率值。

接下来，我们需要编译模型，并指定优化器、损失函数和评价指标。

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

然后，我们可以开始训练模型。

# 训练模型
history = model.fit(x_train, y_train, epochs=50, batch_size=64, validation_data=(x_test, y_test))

在上面的代码中，我们设置了50个epochs，并使用64个样本作为一个batch进行训练。训练完成后，我们可以使用测试集来评估模型的性能。

# 评估模型
test_loss, test_acc = model.evaluate(x_test, y_test)
print('Test loss:', test_loss)
print('Test accuracy:', test_acc)

以上就是一个简单的神经网络模型的实现过程。当然，这只是一个入门级别的例子，实际的应用中需要根据具体的问题进行调整和改进。