在Keras中，通常使用model.compile()方法來編譯模型，然后使用model.fit()方法來訓練模型，最后使用model.evaluate()方法來評估模型。
下面是一個簡單的示例代碼，演示如何在Keras中訓練和評估模型：
from keras.models import Sequential
from keras.layers import Dense
# 創建一個簡單的Sequential模型
model = Sequential()
model.add(Dense(units=64, activation='relu', input_dim=100))
model.add(Dense(units=10, activation='softmax'))
# 編譯模型
model.compile(loss='categorical_crossentropy', optimizer='sgd', metrics=['accuracy'])
# 訓練模型
model.fit(X_train, y_train, epochs=10, batch_size=32)
# 評估模型
loss, accuracy = model.evaluate(X_test, y_test)
print('Test loss:', loss)
print('Test accuracy:', accuracy)
在上面的示例中，首先創建了一個簡單的Sequential模型，然后使用model.compile()方法編譯模型，指定了損失函數、優化器和評估指標。接著使用model.fit()方法訓練模型，并傳入訓練數據和標簽。最后使用model.evaluate()方法評估模型，并打印出測試集上的損失和準確率。
