一、Keras 是一个用于构建和训练深度学习模型的高级 API，

它能够运行在 TensorFlow、Theano 或 CNTK（Microsoft-developed Computational Network Toolkit）之上。不过，自 Keras 被 TensorFlow 团队接纳并作为 TensorFlow 的高级 API 之后，现在 Keras 主要与 TensorFlow 紧密集成，并且推荐使用 TensorFlow 作为其后端。

（PS: 不用TensorFlow也可以使用Keras。虽然Keras最初是作为TensorFlow的高级API开发的，并且现在与TensorFlow紧密集成，但Keras本身是一个独立的库，也可以作为其他深度学习框架的前端来使用。）

二、以下是一个简单的 Keras 代码示例，用于构建和训练一个简单的多层感知机（MLP）模型。

这个示例将使用 Keras 的 Sequential API，并包括数据加载、模型构建、编译、训练和评估的步骤。

1. 导入必要的库

首先，我们需要导入一些必要的库，包括 Keras、NumPy（用于数据处理）和可能的数据加载库（这里我们假设数据集已经被加载并预处理过了）。

import numpy as np  
from keras.models import Sequential  
from keras.layers import Dense  
from sklearn.model_selection import train_test_split  
from sklearn.datasets import load_iris  # 示例中我们将使用鸢尾花数据集

2. 加载和预处理数据

这里我们使用 sklearn 的鸢尾花数据集作为示例。在实际应用中，你可能需要加载和预处理自己的数据集。

# 加载鸢尾花数据集  
iris = load_iris()  
X = iris.data  
y = iris.target  
  
# 将类别标签编码为 one-hot 编码（对于多分类问题）  
from keras.utils import to_categorical  
y_cat = to_categorical(y)  
  
# 划分训练集和测试集  
X_train, X_test, y_train, y_test = train_test_split(X, y_cat, test_size=0.2, random_state=42)

3. 构建模型

接下来，我们使用 Keras 的 Sequential API 来构建模型。在这个例子中，我们将构建一个包含两个隐藏层（每个隐藏层有 10 个神经元）和一个输出层的 MLP 模型。

# 定义模型  
model = Sequential()  
model.add(Dense(10, input_dim=4, activation='relu'))  # 输入层有 4 个特征  
model.add(Dense(10, activation='relu'))  # 第一个隐藏层  
model.add(Dense(3, activation='softmax'))  # 输出层，使用 softmax 激活函数进行多分类

4. 编译模型

在训练模型之前，我们需要使用 compile() 方法来配置训练过程。这包括选择优化器、损失函数和评估指标。

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

5. 训练模型

现在我们可以使用 fit() 方法来训练模型了。我们需要指定训练数据、批次大小、训练轮数等参数。

# 训练模型  
model.fit(X_train, y_train, epochs=100, batch_size=10)

6. 评估模型

最后，我们可以使用 evaluate() 方法来评估模型在测试集上的性能。

# 评估模型  
loss, accuracy = model.evaluate(X_test, y_test)  
print(f'Test loss: {loss:.4f}')  
print(f'Test accuracy: {accuracy:.4f}')