#######編程環境：Anaconda3 (64-bit)->Spyder(python3.5)from keras.models import Sequential #引入keras庫
from keras.layers.core import Dense, Activation
model = Sequential() #建立模型
model.add(Dense(12,input_dim=2)) #輸入層2節點，隱藏層12個節點（這個節點數可以自行設置）
model.add(Activation('relu')) #用relu函數作爲激活函數，能夠大幅提供準確度
model.add(Dense(1,input_dim=12)) #Dense 隱藏層12節點，輸出層1節點
model.compile(loss='mean_squared_error', optimizer='adam') #編譯模型
model.fit(x_train, y_train, nb_epoch = 10000, batch_size = 16) #訓練模型，學習一萬次;batch_size深度學習的優化算法
model.save_weights(modelfile) #保存模型參數
以上爲灰色預測某市的評價房價的主要代碼：
keras：深度學習庫，基於Keras的底層庫使用Theano或TensorFlow，因此引入此庫需先安裝TensorFlow
add： 支持序慣操作，如：
-
通過model.add(Dense(12,input_dim=2))
-
model.add(Activation(‘relu’))依次添加模型的元素
Dense層（全連接層）：主要是定義模型的輸入、輸出、隱層的主要結構
- Dense(12,input_dim=2)隱層爲12個節點，輸入層爲2個節點，輸入層必須是第二個參數。
激活函數（Activation）：可以是keras庫中自帶，也可以是自定義的
目標函數（損失函數）：目標函數，或稱損失函數，是編譯一個模型必須的兩個參數之一
- model.compile(loss=‘mean_squared_error’, optimizer=‘adam’) #編譯模型【中文文檔：http://keras-cn.readthedocs.io/en/latest/other/objectives/】
原文鏈接：https://www.cnblogs.com/Erma/p/9239260.html