在Keras中，通常使用model.compile()方法来编译模型，然后使用model.fit()方法来训练模型，最后使用model.evaluate()方法来评估模型。
下面是一个简单的示例代码，演示如何在Keras中训练和评估模型：
from keras.models import Sequential
from keras.layers import Dense
# 创建一个简单的Sequential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'])
# 训练模型
model.fit(X_train, y_train, epochs=10, batch_size=32)
# 评估模型
loss, accuracy = model.evaluate(X_test, y_test)
print('Test loss:', loss)
print('Test accuracy:', accuracy)
在上面的示例中，首先创建了一个简单的Sequential模型，然后使用model.compile()方法编译模型，指定了损失函数、优化器和评估指标。接着使用model.fit()方法训练模型，并传入训练数据和标签。最后使用model.evaluate()方法评估模型，并打印出测试集上的损失和准确率。