Keras提供了一个方便的函数来对模型进行评估。您可以使用模型的evaluate方法来评估模型的性能。该方法需要输入数据和标签，并返回模型的性能指标。
下面是一个简单的示例，演示如何使用Keras来评估模型：
# 导入必要的库
import numpy as np
from keras.models import Sequential
from keras.layers import Dense
# 创建一个简单的模型
model = Sequential()
model.add(Dense(units=64, activation='relu', input_dim=100))
model.add(Dense(units=10, activation='softmax'))
# 编译模型
model.compile(loss='categorical_crossentropy', optimizer='sgd', metrics=['accuracy'])
# 生成一些随机数据进行评估
x_test = np.random.random((1000, 100))
y_test = np.random.randint(10, size=(1000, 1))
# 对模型进行评估
loss, accuracy = model.evaluate(x_test, y_test)
print('Test accuracy:', accuracy)
在上面的示例中，首先创建了一个简单的神经网络模型，然后编译了该模型。接着生成了一些随机的测试数据，并使用evaluate方法对模型进行评估。最后打印出模型的准确率。
在评估模型时，您可以选择不同的性能指标，比如准确率、损失值等。您也可以在evaluate方法中传入额外的参数，比如批大小等。
