keras官方中文文档
pip install keras
from keras import layers
from keras import models
model.add(layers.Dense(32,activation='relu',input_shape=(100,)))# 添加多个Dense层
model.add(layers.Dense(10,activation='softmax'))
model.compile(optimizer='rmsprop',loss='categorical_crossentropy',metrics=['accuracy'])# 编译模型
import numpy as np
# 创建随机数据
data = np.random.random((1000, 100)) #1000行100列矩阵
labels = np.random.randint(10, size=(1000, 1)) # 1000行一列矩阵，所以元素都是[0,10)直接
print(data)
print(labels)
import keras
# 将标签转化为one-hot编码
one_hot_labels = keras.utils.to_categorical(labels, num_classes=10)
print(one_hot_labels)
# 训练模型
model.fit(data, one_hot_labels, epochs=10, batch_size=32)
# 测试数据
test_data = np.random.random((100,100))
test_label= np.random.randint(10,size=(100,1))
test_one_hot_labels = keras.utils.to_categorical(test_label,num_classes=10)
# 评估模型在测试数据上的性能
score = model.evaluate(test_data, test_one_hot_labels, batch_size=32)
print("损失值:", score[0])
print("精确值:", score[1])
# 创建随机输入数据
data = np.random.random((1, 100))
# 进行预测
predictions = model.predict(data)
print("预测结果:", predictions)
print(data)
print(len(predictions[0]))
上面部分代码是在colab是逐部分执行的，所以看起来不符合完整文件的风格。
细节部分注意点
部分内容详细见官方文档部分：
https://keras-zh.readthedocs.io/getting-started/sequential-model-guide/
1.如果from keras import layers，那么layers.Dense()定义一个层。
如果from keras.layers import Dense，那么Dense()即可，这些只需看看即可，了解python的应该很容易明白。官方文档
了
2.input_shape和input_dim
关于input_shape和input_dim。其中dim是dimension（维度）的意思。我们注意到input_shape(100,)这里的逗号，那是因为keras里面数据以张量形式存在（可以理解为一个列/行向量），
例如：[[1],[2],[3]] 这个张量的shape为（3,1）
[[[1,2],[3,4]],[[5,6],[7,8]],[[9,10],[11,12]]]这个张量的shape为（3,2,2）,
[1,2,3,4]这个张量的shape为（4，）。
所以我们可以认为input_shape(100,)表示传入的每个数据都是100维的张量
这也契合了我们下面代码中的data = np.random.random((1000, 100)) ，表示1000行100列矩阵，这里的100列就和前面input_shape(100,)匹配上了
查阅官方文档可知：
3
one_hot_labels = keras.utils.to_categorical(labels, num_classes=10)
这部分代码理解可以参考我的另外一篇博客：keras框架的to_categorical方法
4
Dense(32,activation=‘relu’,input_shape=(100,)))和Dense(10,activation=‘softmax’))的输入输出理解：输入的是(,16)的输入数组，第一层输出的是(,32),同时作为第二层的输入，第二层的输出是（*，10）
我们给每层加上名字，调用summary()方法即可了解到每层输出的shape,注意这里的None,这里是给batch_size预留的位置，因为模型不知道你输入的数据每次批量是多少，所以干脆使用None占位了。
参考链接：keras的shape
5
# 创建随机输入数据
data = np.random.random((1, 100))
# 进行预测
predictions = model.predict(data)
print("预测结果:", predictions)
print(data)
print(len(predictions[0]))
预测的输入数据为1个100维的张量，在第二个Dense层中model.add(layers.Dense(10,activation=‘softmax’))，激活函数为softmax，这个是处理多类别分类问题的函数，10表示我们第二个隐藏层有10个神经元，换句话说我们输出的种类有10种，所以我们这个数据结果为10维，他们的概率和加起来为1，注意，我们应该意识到，这10个类别，实际上是标签，所以预测结果实际上是10个类别的各自概率是多少。
虽然keras封装的很好，写个简单的随机数标签问题只需要几行代码，如果可以登录colab则连环境都不用配置。但是其中需要琢磨的细节还是不少的。
