除了我原来的问题外，我还有一些理论问题。
我对 Keras 很陌生，并且有一些逻辑问题。第一个问题是关于火车、测试等。 我来自使用 Sci-kit learn，通常使用 test_train_split 库来做到这一点(我假设我可以在这里做同样的事情？
我的下一个问题是特征和标签的转换。根据我到目前为止的理解，我们不能喂字符串 进入神经网络，因此必须进行某种命名化。
我学习了分类变量的标记化或虚拟变量，应该对数值进行规范化。我的问题是：特征向量中有 5 列(2 列分类和 3 列数字(。我可以为 2 个分类创建虚拟变量，然后规范化整个特征向量吗？
在此之后，我的问题将在下面的代码中关于input_shape(x，y(。下面的示例代码来自图像识别。假设我想使用自己的数据集，我是否必须事先知道input_shape并以这种方式定义它？或者这是模型可以自己学习的东西吗？
我的最后一个问题是：假设特征向量由变量 a、b、c 和 d 组成。如何让用户输入 a、b、c 和 d 的值并让模型给出输出？在示例中，模型从 CSV 加载到数据帧中，然后将该数据吐到功能和标签的测试和训练中。在这种情况下，我是否需要将用户变量存储到数据帧中，以便模型预测输出？
我所指的代码是用于图像的，但我的用例不是图像而是整数。法典：
from keras.datasets import mnist
from keras import models
from keras import layers
(train_images, train_labels), (test_images, test_labels) = mnist.load_data()
model = model.Sequential()
model.add(layers.Dense(16, activation = 'relu', input_shape = (10000,)))
model.add(layers.Dense(16, activation = 'relu'))
model.add(layers.Dense(1, activation = 'sigmoid'))
model.compile(optimizer= 'rmsprop', loss='categorical_crossentropy', metrics=['accuracy'])
model.fit(train_images, train_labels, epochs=5, batch_size=64)
test_loss, test_acc = model.evaluate(test_images, test_labels)
任何帮助都会很棒，因为我对此很陌生！
我来自使用Sci-kit learn，通常使用test_train_split库来做到这一点(我假设我可以在这里做同样的事情？
是的！根本不应该重要
根据我目前的理解，我们无法将字符串输入神经网络，因此必须进行某种命名化。
正确。神经网络只是对数字的大量数学运算。话虽如此，您可以将字符串表示为数字(谷歌word2vec了解更多信息(
特征向量中有 5 列(2 列分类列和 3 列数字列(。我可以为 2 个分类创建虚拟变量，然后规范化整个特征向量吗？
我认为分类是指类？这些类永远不会作为功能进入网络。那么分类就没有任何意义了。如果你只是想做预测，你可以看看model.predict。
下面的示例代码来自图像识别。假设我想使用自己的数据集，我是否必须事先知道input_shape并以这种方式定义它？或者这是模型可以自己学习的东西吗？
神经网络是矩阵乘法的束。您需要提供一些维度。它不需要先验batch_size知识(不过，您可以提供(，但其他维度很重要：即输入图层中的要素数量。代码中的input_shape = (10000,)只是input_shape = (10000,None)的简写，其中None是您可以放置批量大小(数据点数(的地方。在本例中，10000是要素的数量。
如何让用户输入 a、b、c 和 d 的值并让模型给出输出？
请注意，关键是您事先不知道输出。
oneToFive=input("Enter 5 numbers separated by commas")
oneToFive=oneToFive.split(",")
oneToFive=[np.float32(c) for c in oneToFive]
model.predict(x=np.array(oneToFive))
我建议你研究一下这背后的理论。只是盲目地跑来跑去可能会很烦人，因为你很难获得好的结果。即使你得到了很好的结果，它们也可能往往没有你想象的那么好。一个值得阅读的地方是Ian Goodfellow关于深度学习的书。