介绍： 

Keras是一个开源的神经网络库，它基于Python语言，并能够在多个深度学习框架上运行，包括TensorFlow、Theano和CNTK。Keras提供了一种简洁而高层次的API，使得用户能够快速构建、训练和部署神经网络模型。

Keras的设计理念是以用户友好和易用性为重点。它提供了一系列高层次的构建模块，可以快速创建各种类型的神经网络模型，如全连接神经网络、卷积神经网络和循环神经网络等。Keras还提供了丰富的预训练模型和工具，方便用户进行模型的迁移学习和迁移部署。

Keras的优点包括简单易用、高度模块化、可扩展性强、跨平台和与TensorFlow等深度学习框架无缝集成等。由于其灵活性和高效性，Keras已经成为了开发人员和研究人员最喜欢的深度学习框架之一。

建模： 

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

# load the dataset
dataset = loadtxt('Lesson47-pima-indians-diabetes.data', delimiter=',')

# split into input (X) and output (y) variables
X = dataset[:,0:8]
y = dataset[:,8]

# define the keras model
model = Sequential()#串型神经网络
model.add(Dense(12, input_dim=8, activation='relu'))#第一层hidden layer1，12个节点输出，8个点输入
model.add(Dense(8, activation='relu'))#第二层hidden layer2，8个节点输出
model.add(Dense(1, activation='sigmoid'))#输出 sigmoid把数据弄为0~1之间，最后大于0.5的为1

# compile the keras model
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])

# fit the keras model on the dataset
model.fit(X, y, epochs=500)

# evaluate the keras model
_, accuracy = model.evaluate(X, y)
print('Accuracy: %.2f' % (accuracy*100))

 

预测：

# make class predictions with the model
y_train_predict = model.predict(X)
a = np.ones(len(X))
b = a/2
c = np.insert(y_train_predict,0,b,axis=1)
predictions = np.argmax(c,axis=1)
predictions = predictions.reshape(len(X),1)
#print(y_train_predict)
# summarize the first 5 cases
for i in range(len(X)):
	print('%s => %d (expected %d)' % (X[i].tolist(), predictions[i], y[i]))