前馈神经网络模型python

前馈神经网络（Feedforward Neural Network）是一种最基本的神经网络模型，也是深度学习的基础。它由输入层、隐藏层和输出层组成，其中每一层都由多个神经元组成。每个神经元接收上一层的输出，并通过激活函数将其加权求和后输出给下一层。

在Python中，可以使用多种深度学习框架来实现前馈神经网络模型，如TensorFlow、Keras、PyTorch等。以下是一个使用Keras实现前馈神经网络的示例代码：

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

# 创建模型
model = Sequential()

# 添加输入层和隐藏层
model.add(Dense(units=64, activation='relu', input_dim=100))

# 添加输出层
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)

在这个示例中，我们使用Keras创建了一个包含一个输入层、一个隐藏层和一个输出层的前馈神经网络模型。其中，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。我们使用ReLU作为隐藏层的激活函数，使用Softmax作为输出层的激活函数。模型的损失函数为交叉熵，优化器为随机梯度下降（SGD），评估指标为准确率。最后，我们使用训练数据训练模型，并使用测试数据评估模型的性能。