车辆方向的Keras模型

下面是一个基本的示例，展示了如何使用Keras来构建一个预测车辆方向的模型：

import numpy as np
from keras.models import Sequential
from keras.layers import Dense

# 创建训练数据
X_train = np.array([[0, 0], [0, 1], [1, 0], [1, 1]])  # 输入特征
y_train = np.array([[1, 0], [0, 1], [0, 1], [1, 0]])  # 输出标签

# 创建模型
model = Sequential()
model.add(Dense(10, input_dim=2, activation='relu'))  # 添加输入层
model.add(Dense(2, activation='softmax'))  # 添加输出层

# 编译模型
model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])

# 训练模型
model.fit(X_train, y_train, epochs=100, batch_size=2)

# 使用模型进行预测
X_test = np.array([[0, 0], [0, 1], [1, 0], [1, 1]])
predictions = model.predict(X_test)
print(predictions)

在这个示例中，我们使用一个具有2个输入和2个输出的简单神经网络模型。输入特征是车辆的某些属性，输出是车辆的方向（例如左转或右转）。我们使用交叉熵作为损失函数，Adam优化器进行训练。模型通过训练数据进行了100次迭代。

最后，我们使用模型对新的输入数据进行预测，并打印出预测结果。输出的每个元素表示车辆按照某个方向行驶的概率。