keras模型

Keras是一个高级神经网络API，可以运行于TensorFlow、CNTK和Theano等后端上。它提供了一些高层次的接口，可以方便地定义和训练神经网络模型。

在Keras中，可以使用Sequential或Functional API来定义模型。Sequential API是一种简单的序列式模型定义方式，可以通过添加层（layers）来构建模型。例如，下面是一个使用Sequential API定义的简单的多层感知机（MLP）模型：

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

model = Sequential()
model.add(Dense(64, activation='relu', input_dim=100))
model.add(Dense(10, activation='softmax'))

Functional API则更加灵活，可以定义任意形状的模型。例如，下面是一个使用Functional API定义的简单的多输入多输出模型：

from keras.layers import Input, Dense
from keras.models import Model

input1 = Input(shape=(10,))
input2 = Input(shape=(10,))
x1 = Dense(8, activation='relu')(input1)
x2 = Dense(8, activation='relu')(input2)
merged = keras.layers.concatenate([x1, x2])
output1 = Dense(1, activation='sigmoid')(merged)
output2 = Dense(1, activation='sigmoid')(merged)
model = Model(inputs=[input1, input2], outputs=[output1, output2])

在定义好模型后，可以使用compile方法来编译模型，并使用fit方法来训练模型。例如，下面是一个使用compile和fit方法训练上面定义的MLP模型的示例：

model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])
model.fit(x_train, y_train, epochs=10, batch_size=32)

在训练完模型后，可以使用evaluate方法来评估模型在测试集上的性能，也可以使用predict方法来对新的数据进行预测。