參考網站：Keras官方指南

　　根據上面的參考網站，可以做出基本的類神經網路。
　　首先要先有基本的設定，大致上如下：

import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import layers

　　因為keras目前被包含在tensorflow中，因此要先匯入tensorflow，才能匯入keras。
　　再來建立Sequential model，這模組可以讓每一層都僅有一個輸入張量(tensor)以及輸出張量，我前面有提到每一層中並非只有一個神經元，一個隱藏層中可能就很多神經元進行不同筆資料的運算，因此得要整合，限制只能有一個輸入以及輸出，而且張量也能幫助進行線性的運算。網站提供程式如下：

model = keras.Sequential(
    [
        layers.Dense(2, activation="relu", name="layer1"),
        layers.Dense(3, activation="relu", name="layer2"),
        layers.Dense(4, name="layer3"),
    ]
)

　　在layer.Dense中，activation是激勵函數，主要用來引入非線性資料。因為在訓練類神經網路的時候，輸入和輸出的部分仍然脫離不了線性關係，必須要能讓訓練過的資料輸出給下一層，因此可以用激勵函數來引入非線性資料。激勵函數有：sigmoid, tanh, Relu⋯⋯等等。
　　最後要輸入資料以及建立模組來測試是否成功：

x = tf.ones((3, 3))
y = model(x)

　　tensorflow中的ones類別，可以創造所有元素都設置為1的張量，以上面程式為例，(3, 3)的意思就是建立一個3x3的矩陣，且該矩陣中的所有元素皆為1。
　　接著用以下的輸出來看看建立的如何：「」

print(model.summary())

　　得到如下：

Model: "sequential"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
layer1 (Dense)               (3, 2)                    8         
_________________________________________________________________
layer2 (Dense)               (3, 3)                    9         
_________________________________________________________________
layer3 (Dense)               (3, 4)                    16        
=================================================================
Total params: 33
Trainable params: 33
Non-trainable params: 0
_________________________________________________________________
None

　　params為參數，也就是權重的個數。當輸入資料時，不同資料與神經元之間會有權重（之前的類神經網路架構的圖，有個神經元要傳送到下一層的神經元時，會乘上各自的權重），這不同的權重個數加總起來就是params。
　　因為設定的dense層為基礎神經網路，因此param計算：(輸入數據維度+1)×神經元個數，可是網站提供的設定是(3, 3)這樣維度看起來有2。
　　經過測試之後，我的想法是因為dense層很基礎，因此就算輸入的矩陣有多少，主要還是看最後的數字來決定，這維度是只有多少個神經元（以(3,4)為例子較好理解，也就是這輸入層中每個神經元的資料是[1, 1, 1]，然後有4個同樣的神經元），因此layer1的params計算為(3+1)×2=8，接著layer2因為layer1的神經元設定只有2，因此layer2的計算為(2+1)3=9⋯⋯以此類推。
　　當我把設定tf.ones更改為(3,4,2)得出結果：

Model: "sequential"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
layer1 (Dense)               (3, 4, 2)                 6         
_________________________________________________________________
layer2 (Dense)               (3, 4, 3)                 9         
_________________________________________________________________
layer3 (Dense)               (3, 4, 4)                 16        
=================================================================
Total params: 31
Trainable params: 31
Non-trainable params: 0
_________________________________________________________________
None

　　可以看出param在dense層時，只會受到最後的數字影響，且該數字為這一層中有多少神經元。
　　只不過以上是我測試多筆資料後的觀察，因為實在找不到相關的解釋，因此才這麼想。