线性回归

#建立模型结构
model = tf.keras.Sequential()
#添加层，第一个参数是输出神经元个数，第二个参数表示（输入特征，输入训练数量）
model.add(tf.keras.layers.Dense(1,input_shape=(1,)))
#查看网络层结构
model.summary()

#编译，参数分别是优化方法，损失函数
model.compile(optimizer='adam',loss='mse')

#训练，传入数据以及训练次数
history = model.fit(x,y,epochs=5000)

逻辑回归

#建立模型结构
model = tf.keras.Sequential()
#添加层，第一个参数是输出神经元个数，第二个参数表示（输入特征，输入训练数量）
#以及激活函数
model.add(tf.keras.layers.Dense(4,input_shape=(15,)，activation='relu'))
#中间层不需要设置输入shape
model.add(tf.keras.layers.Dense(4,activation='relu'))
#最后一层激活函数用二分类sigmoid
model.add(tf.keras.layers.Dense(1,activation='sigmoid'))
#查看网络层结构
model.summary()

#编译，设置优化方法、损失函数，metrics表示训练时输出参考准曲率等
model.compile(optimizer='adam',loss='binary_crossentropy',metrics=['acc'])