神经网络模型python

在Python中，神经网络模型的实现通常借助于深度学习框架，如TensorFlow、Keras、PyTorch等。以下是一个使用Keras实现简单前馈神经网络的示例代码：

from keras.models import Sequential
from keras.layers import Dense

# 定义模型
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'])

# 训练模型
model.fit(x_train, y_train, epochs=5, batch_size=32)

# 评估模型
loss_and_metrics = model.evaluate(x_test, y_test, batch_size=128)
print(loss_and_metrics)

这段代码实现了一个具有一个隐藏层的前馈神经网络，输入层有100个神经元，隐藏层有64个神经元，输出层有10个神经元。训练数据集和测试数据集分别为x_train, y_train和x_test, y_test。模型使用交叉熵损失函数和随机梯度下降优化器进行编译，并在训练过程中进行了5个epoch的迭代。最后评估模型的性能。