两层BP神经网络模型代码

两层的前馈型BP（Backpropagation，反向传播）神经网络模型通常包括输入层、隐藏层和输出层。这里是一个简单的Python示例，使用Keras库来构建这个模型：

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

# 创建一个Sequential模型
model = Sequential()

# 添加一个输入层，单位数等于输入特征的数量
input_dim = 8  # 假设输入有8个特征
model.add(Dense(units=16, activation='relu', input_dim=input_dim))  # 隐藏层，使用ReLU激活函数

# 再添加一个隐藏层，同样使用ReLU激活
model.add(Dense(units=8, activation='relu'))

# 输出层，假设我们有一个二分类问题，所以使用sigmoid激活
output_dim = 1
model.add(Dense(units=output_dim, activation='sigmoid'))

# 编译模型，指定损失函数（比如二元交叉熵）、优化器（如Adam）和评估指标（准确率）
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])

# 现在你可以通过训练数据拟合模型
# model.fit(x_train, y_train, epochs=100, batch_size=32)

在这个例子中，`x_train` 和 `y_train` 分别是输入特征和对应的目标标签。`epochs` 指定训练轮数，`batch_size` 则是每次处理的数据样本数量。