### TensorFlow Keras 基本用法 #### 导入库 为了简化读取和键入过程，建议使用 `tf` 作为别名来导入 TensorFlow 库[^2]。 ```python import tensorflow as tf ``` #### 创建模型 通过 `Sequential` 模型可以方便地堆叠各层。只需为第一层指定输入维度即可[^4]。 ```python model = tf.keras.models.Sequential() ``` #### 添加层 利用 `Dense` 方法添加全连接层。每一层都可以设置激活函数、权重矩阵以及偏置项等参数。对于后续的隐藏层，则无需再指明输入尺寸，因为它们会自动从前一层接收输入。 ```python model.add(tf.keras.layers.Dense(units=64, activation='relu', input_dim=100)) model.add(tf.keras.layers.Dense(64, activation='relu')) model.add(tf.keras.layers.Dense(10, activation='softmax')) ``` 这里展示了三层网络结构：两个具有 ReLU 激活函数的隐含层（每层64个神经元），最后一层采用 Softmax 函数用于分类任务，并输出10类概率分布。 #### 编译模型 配置训练过程中使用的优化器(optimizer)、损失函数(loss function) 和评估指标(metrics)[^1]。 ```python model.compile(optimizer=tf.keras.optimizers.Adam(), loss=tf.keras.losses.CategoricalCrossentropy(from_logits=True), metrics=[tf.keras.metrics.Accuracy()]) ``` 此段代码选择了 Adam 优化算法，适用于大多数情况；交叉熵(cross entropy)作为多类别分类问题中的标准损失度量方式；同时监控准确率这一评价标准。 #### 训练模型 准备好了之后就可以调用 fit() 来启动训练流程了。传入特征数据 X_train 和目标变量 y_train 即可开始迭代更新权值直至收敛或者达到预设的最大轮次 epoch 数目[^1]。 ```python history = model.fit(X_train, y_train, epochs=10, batch_size=32) ``` 上述命令将在给定的数据集上执行十轮完整的遍历，在每次 mini-batch 更新期间调整内部参数以最小化预测误差。 #### 预测新样本 完成建模后，可以通过 predict() 对未知实例做出推断： ```python predictions = model.predict(X_test) ``` 这一步骤将返回测试集中每个案例对应于各个可能结果的概率估计值列表。