深度学习实现一个二维数组变换成另外一个二维数组的代码。变换前后的二维数组大小都为100*4096，分别保存在两个txt中，变换前后的两个二维数组都每列除以该列最大绝对值进行归一化，一列一列输入网络进行训练，划分训练集测试集，加入早停法，最后能够输入一个4096列的二维数组，一列一列进行预测，得到预测后的二维数组并保存，两个数组是非线性变换关系

以下是一个基本的实现参考：

import numpy as np
from keras.models import Sequential
from keras.layers import Dense, Activation
from keras.callbacks import EarlyStopping

# 读取数据
x_train = np.loadtxt('data_before.txt')
y_train = np.loadtxt('data_after.txt')

# 归一化
x_train /= np.abs(x_train).max(axis=0)
y_train /= np.abs(y_train).max(axis=0)

# 划分训练集和测试集
train_ratio = 0.8
train_size = int(x_train.shape[0] * train_ratio)
x_train, y_train = x_train[:train_size], y_train[:train_size]
x_test, y_test = x_train[train_size:], y_train[train_size:]

# 创建模型
model = Sequential()
model.add(Dense(64, input_dim=4096))
model.add(Activation('relu'))
model.add(Dense(4096))
model.add(Activation('linear'))
model.compile(loss='mse', optimizer='adam')

# 训练模型
early_stopping = EarlyStopping(monitor='val_loss', patience=10)
model.fit(x_train, y_train, epochs=1000, batch_size=32, validation_data=(x_test, y_test), callbacks=[early_stopping])

# 预测
x_pred = np.loadtxt('new_data.txt')
x_pred /= np.abs(x_pred).max(axis=0)
y_pred = model.predict(x_pred)

# 保存预测结果
np.savetxt('predicted_data.txt', y_pred)

需要注意的是，这只是一个简单的实现，如果数据量较大，可能需要更高级的模型和更复杂的训练策略。另外，由于你没有提供数据，上述代码仅供参考，可能需要针对具体数据做出一些调整。