版權宣告：本文為博主原創文章，未經博主允許不得轉載。https://blog.csdn.net/weixin_44474718/article/details/86219792

函式解釋

np.random.seed()函式，每次執行程式碼時設定相同的seed，則每次生成的隨機數也相同，如果不設定seed，則每次生成的隨機數都會不一樣。例如：

本例子：
資料集為8個屬性和輸出結果一共9列，為二分類問題（糖尿病為1或非糖尿病為0）

輸出層（1個輸出）
隱藏層（8個神經元）
隱藏層（12個神經元）
可視層（8個輸入）

    from keras.models import Sequential
    from
 
 keras.layers import Dense
    import numpy as np
    # 設定隨機數種子
    np.random.seed(7)
    
    # 匯入資料
    dataset = np.loadtxt('pima-indians-diabetes.csv', delimiter=',')
    # 分割輸入x和輸出Y   x = dataset[:, 0 : 8]  中0 : 8為第0列到8-1=7列
    x = dataset[:, 0 : 8]
    Y = dataset[:, 8]
    
    # 建立模型
    model =
 
 Sequential()
    #relu為啟用函式
    model.add(Dense(12, input_dim=8, activation='relu'))
    model.add(Dense(8, activation='relu'))
    #==***sigmoid為啟用函式，二分類一般用這個***==
    model.add(Dense(1, activation='sigmoid'))
        
    # 編譯模型     
    #使用有效的梯度下降演算法adam作為優化器
    model.compile(loss='binary_crossentropy'
 
, optimizer='adam', metrics=['accuracy'])
    
    # 訓練模型
    #epochs 迭代次數   batch_size 批數
    model.fit(x=x, y=Y, epochs=150, batch_size=10)
    
    # 評估模型
    scores = model.evaluate(x=x, y=Y)
    print('\n%s : %.2f%%' % (model.metrics_names[1], scores[1]*100))

啟用函式：
sigmoid: 一般用於二分類
sgn: 單層神經網路
relu：多層神經網路，更容易收斂，預測效果好