1. **定義**訓練數據：**輸入**張量和**目標**張量。 2. **定義**層組成的網絡（或模型），將輸入**映射**到目標。 Sequential類（僅用于層的線性堆疊，這是目前最常見的網絡架構） ``` from keras import models from keras import layers model = models.Sequential() model.add(layers.Dense(32, activation='relu', input_shape=(784,))) model.add(layers.Dense(10, activation='softmax')) ``` 函數式 API（functional API，用于層組成的有向無環圖，讓你可以構建任意形式的架構） ``` input_tensor = layers.Input(shape=(784,)) x = layers.Dense(32, activation='relu')(input_tensor) output_tensor = layers.Dense(10, activation='softmax')(x) model = models.Model(inputs=input_tensor, outputs=output_tensor) ``` 3. **配置**學習過程：選擇損失函數、優化器和需要監控的指標。 ``` 指定模型使用的優化器和損失函數，以及訓練過程中想要監控的指標 單一損失函數： from keras import optimizers model.compile(optimizer=optimizers.RMSprop(lr=0.001), loss='mse', metrics=['accuracy']) ``` 4. **調用**模型的**fit**方法在訓練數據上進行迭代 ``` 將輸入數據的 Numpy 數組（和對應的目標數據）傳入模型 model.fit(input_tensor, target_tensor, batch_size=128, epochs=10) ```