经网络（Neural Network）是一种模仿人脑神经系统的计算模型，由大量的处理单元（称为神经元或节点）通过各种连接进行信息的传递和处理。在机器学习领域中，神经网络常用于解决分类、回归、聚类、强化学习等多种问题。
应用场景：
图像识别：如人脸识别、物体识别等，深度神经网络（如卷积神经网络CNN）在此领域有广泛应用。
语音识别与合成：将语音信号转化为文本（语音识别），或者生成语音（语音合成），例如百度、阿里等公司的语音助手技术。
自然语言处理：如机器翻译、情感分析、智能问答等，常见的如循环神经网络RNN及变种LSTM、GRU等。
推荐系统：利用深度学习进行用户行为预测，提升推荐效果。
游戏AI：如AlphaGo系列在围棋、星际争霸等领域的应用，使用了深度强化学习方法。
1from keras.models import Sequential 2from keras.layers import Dense 3 4# 创建一个简单的全连接神经网络模型 5model = Sequential() 6 7# 添加输入层，假设特征数为10 8model.add(Dense(32, input_dim=10, activation='relu')) # 第一层，32个神经元，激活函数为ReLU 9 10# 添加隐藏层 11model.add(Dense(64, activation='relu')) # 第二层，64个神经元 12 13# 添加输出层，假设类别数为1 14model.add(Dense(1, activation='sigmoid')) # 输出层，1个神经元，激活函数为Sigmoid，适用于二分类问题 15 16# 编译模型，指定损失函数、优化器和评估指标 17model.compile(loss='binary_crossentropy', # 二分类交叉熵损失函数 18 optimizer='adam', # Adam优化器 19 metrics=['accuracy']) # 准确率作为评估指标 20 21# 训练模型，假设X_train是输入数据，y_train是对应的目标值 22model.fit(X_train, y_train, epochs=10, batch_size=32)
以上代码创建了一个简单的前馈神经网络模型，并进行了编译和训练。
