网络结构：神经网络的蓝图
一个典型的神经网络由多个“层”组成，数据从输入层开始，流经一个或多个隐藏层，最终从输出层得到结果。每一层都由若干个“神经元”（类似我们之前学习的感知机）构成。
输入层、隐藏层与输出层
输入层 (Input Layer)
👀
网络的“眼睛”
负责接收最原始的数据。输入层神经元的数量通常等于数据特征的数量（例如，预测房价时，特征可以是“面积”、“房间数”等）。
隐藏层 (Hidden Layer)
🧠
网络的“大脑”
位于输入层和输出层之间，负责进行大部分的计算和特征提取。隐藏层的数量和每层的神经元数量决定了网络的复杂度和学习能力。“深度学习”中的“深”就是指拥有多个隐藏层。
输出层 (Output Layer)
👄
网络的“嘴巴”
负责产生最终的预测结果。输出层神经元的数量取决于任务类型：回归任务通常是1个，二分类任务是1个，多分类任务的神经元数量等于类别总数。
动手试试：
拖动滑块来设计你自己的神经网络结构，观察图示和 Keras 代码如何实时变化。
from tensorflow import keras
from keras import layers
model = keras.Sequential([
# 输入层 (由第一层定义)
layers.Dense(units=, activation='relu',
input_shape=(3,)),
# 输出层 (假设为二分类)
layers.Dense(units=1, activation='sigmoid')
])
model.summary()