Vícevrstvé neuronové sítě

V tomto cvičení napíšeš kód pro dopředné šíření v neuronové síti se 2 skrytými vrstvami. Každá skrytá vrstva má dva uzly. Vstupní data jsou předem načtena jako input_data. Uzly v první skryté vrstvě se jmenují node_0_0 a node_0_1. Jejich váhy jsou předem načteny jako weights['node_0_0'] a weights['node_0_1'].

Uzly ve druhé skryté vrstvě se jmenují node_1_0 a node_1_1. Jejich váhy jsou předem načteny jako weights['node_1_0'] a weights['node_1_1'].

Výstup modelu pak vytvoříme ze skrytých uzlů pomocí vah předem načtených jako weights['output'].

Ch1Ex10

Toto cvičení je součástí kurzu

Úvod do deep learningu v Pythonu

Zobrazit kurz

Pokyny k cvičení

Vypočítej node_0_0_input pomocí vah weights['node_0_0'] a daných input_data. Poté aplikuj funkci relu() a získej node_0_0_output.
Totéž proveď pro node_0_1_input a získej node_0_1_output.
Vypočítej node_1_0_input pomocí vah weights['node_1_0'] a výstupů z první skryté vrstvy – hidden_0_outputs. Poté aplikuj funkci relu() a získej node_1_0_output.
Totéž proveď pro node_1_1_input a získej node_1_1_output.
Vypočítej model_output pomocí vah weights['output'] a pole výstupů z druhé skryté vrstvy hidden_1_outputs. Na tento výstup funkci relu() neaplikuj.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

def predict_with_network(input_data):
    # Calculate node 0 in the first hidden layer
    node_0_0_input = (____ * ____).sum()
    node_0_0_output = relu(____)

    # Calculate node 1 in the first hidden layer
    node_0_1_input = ____
    node_0_1_output = ____

    # Put node values into array: hidden_0_outputs
    hidden_0_outputs = np.array([node_0_0_output, node_0_1_output])
    
    # Calculate node 0 in the second hidden layer
    node_1_0_input = ____
    node_1_0_output = ____

    # Calculate node 1 in the second hidden layer
    node_1_1_input = ____
    node_1_1_output = ____

    # Put node values into array: hidden_1_outputs
    hidden_1_outputs = np.array([node_1_0_output, node_1_1_output])

    # Calculate model output: model_output
    model_output = ____
    
    # Return model_output
    return(model_output)

output = predict_with_network(input_data)
print(output)

Upravit a spustit kód