利用Keras.engineModel()构建深度学习神经网络模型

Keras是一个用于构建深度学习模型的高层神经网络API，它可以在多个后端（如TensorFlow，CNTK或Theano）上运行。在Keras中，我们可以使用Keras.engine.Model()类来构建我们的神经网络模型。

Model类是Keras中的主要数据结构，它包含了网络的架构（例如层结构）以及其训练和推理的方法。Model类使用层（Layer）来定义网络的构建块，并将这些层连接在一起以形成完整的模型。

下面是一个使用Keras.engine.Model()构建深度学习神经网络模型的例子：

import tensorflow as tf
from tensorflow import keras
from tensorflow.keras.models import Model
from tensorflow.keras.layers import Input, Dense

# 构建输入层
inputs = Input(shape=(100,))

# 构建隐藏层
x = Dense(64, activation='relu')(inputs)
x = Dense(64, activation='relu')(x)

# 构建输出层
outputs = Dense(10, activation='softmax')(x)

# 构建模型
model = Model(inputs=inputs, outputs=outputs)

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

# 打印模型结构
model.summary()

上述代码中，我们首先导入了需要使用的模块和类，例如Input、Dense和Model。然后，我们使用Input()函数定义了输入层，指定了输入的形状为(100,)，即100维的向量。接下来，我们使用Dense()函数定义了两个隐藏层，每个隐藏层有64个神经元，并指定了激活函数为relu。最后，使用Dense()函数定义了输出层，指定了输出节点的个数为10，并指定了激活函数为softmax。

通过将输入层连接到隐藏层，再将隐藏层连接到输出层，我们使用Model()类将这些层连接在一起，得到了一个完整的模型。模型的编译涉及选择优化器、损失函数和评估指标，这里我们选择了'adam'优化器、'sparse_categorical_crossentropy'损失函数和'accuracy'评估指标。最后，我们使用summary()函数打印出模型的结构。

此时，我们可以使用该模型进行训练和推理。例如，可以使用model.fit()函数对模型进行训练，使用model.predict()函数进行推理。

以上就是使用Keras.engine.Model()构建深度学习神经网络模型的一个简单例子。在实际应用中，我们可以根据问题的需求，通过添加更多的层或更改参数来构建更复杂的神经网络模型。