這是一個最簡短、最基本的 Keras 使用範例。

SimplestKeras.py

# 這段程式碼來自莫煩 Python: https://morvanzhou.github.io/tutorials/machine-learning/keras/2-1-regressor/
from keras.models import Sequential
from keras.layers import Dense
import matplotlib.pyplot as plt
import numpy as np

# 建立 X, Y 兩組資料用來練習 keras 的使用
X = np.linspace(-1, 1, 200)
np.random.shuffle(X)
Y = 0.5 * X + 2 + np.random.normal(0, 0.05, (200, ))
# 將資料分成兩組，一組是用來 train model, 另一組用來測試 model 預測的效果。
X_train, Y_train = X[:160], Y[:160]
X_test, Y_test = X[160:], Y[160:]

# 建立一個 squential 的 model
model = Sequential()
# 建立一個輸入及輸出都是一維(輸入 X 輸出 Y)的全連接型態的神經層
dense = Dense(units=1, input_dim=1)
# 將神經層加到 model 裡
model.add(dense)
# compile 是用來安排學習過程的，optimizer 可以輸入一個 optimizer instance 或直接輸入該 optimizer class 的名字的字串。loss 也是一樣的用法。
# compile() 其實還有第三個參數 metrics, 那是用在「分類」的問題上。
# compile 文件: https://keras.io/getting-started/sequential-model-guide/#compilation
# https://keras.io/optimizers/
# https://keras.io/losses/
model.compile(loss='mse', optimizer='sgd')

# train 這個 model 300 次
for step in range(301):
    cost = model.train_on_batch(X_train, Y_train)
    if step % 100 == 0:
        print('train cost: {}'.format(cost))
# 用測試的那一組資料來測試 model 的學習效果, 用 model.evaluate 取得 loss 值。若在 compile 時有指定 metrics，這裡也會回傳 metrics。
# https://keras.io/models/model/
cost = model.evaluate(X_test, Y_test, batch_size=40)
print("test cost: {}".format(cost))
W, b = model.layers[0].get_weights()
print("weights = {}, biases= {}".format(W, b))

Y_pred = model.predict(X_test)
plt.scatter(X_test, Y_test)
plt.plot(X_test, Y_pred)
plt.show()

X, Y 在這裡只是一個隨便生出來的測試用資料。
X 是一個一維的陣列，裡面有 200 個元素，每一個元素是 -1.0 到 1.0 之間的 float。而 Y 也是一個一維 200 個元素的陣列，裡面的個一個元素是用 X 算出來的，算式是 0.5X+2+(0~0.5之間的隨機數)。畫成一個點陣圖大概像這樣。