python神经网络编程

# 简单的神经网络示例代码使用 Python 和 TensorFlow/Keras 库

import numpy as np
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense

# 创建一个简单的神经网络模型
def create_model():
    model = Sequential()
    # 添加输入层和第一个隐藏层，包含 10 个神经元，并指定输入维度为 2
    model.add(Dense(10, input_dim=2, activation='relu'))
    # 添加第二个隐藏层，包含 8 个神经元
    model.add(Dense(8, activation='relu'))
    # 添加输出层，包含 1 个神经元（用于二分类问题），激活函数为 sigmoid
    model.add(Dense(1, activation='sigmoid'))

    # 编译模型，指定损失函数、优化器和评估指标
    model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])

    return model

# 生成一些虚拟数据
X = np.array([[0, 0], [0, 1], [1, 0], [1, 1]])  # 输入数据
y = np.array([0, 1, 1, 0])  # 输出标签（例如 XOR 问题）

# 创建并训练模型
model = create_model()
model.fit(X, y, epochs=500, verbose=0)

# 预测新数据
predictions = model.predict(X)
print("预测结果：", predictions)

# 解释说明：
# 该代码创建了一个简单的前馈神经网络，使用 Keras 框架。网络结构包括两个隐藏层，
# 输入层有 2 个特征，输出层用于二分类任务。通过编译模型并使用二元交叉熵作为损失函数，
# Adam 优化器进行参数更新。最后，我们用 XOR 逻辑运算的数据集进行了训练和预测。