Použití sítě na mnoho pozorování/řádků dat

Teď definuješ funkci predict_with_network(), která bude generovat predikce pro více datových pozorování, předem načtených jako input_data. Stejně jako dříve jsou i weights předem načteny. Navíc je předem načtena funkce relu(), kterou jsi definoval/a v předchozím cvičení.

Toto cvičení je součástí kurzu

Úvod do deep learningu v Pythonu

Zobrazit kurz

Pokyny k cvičení

Definuj funkci predict_with_network(), která přijímá dva argumenty – input_data_row a weights – a vrací predikci sítě jako výstup.
Vypočítej vstupní a výstupní hodnoty pro každý uzel a ulož je jako: node_0_input, node_0_output, node_1_input a node_1_output.
- Vstupní hodnotu uzlu vypočítáš vynásobením příslušných polí a výpočtem jejich součtu.
- Výstupní hodnotu uzlu vypočítáš aplikováním funkce relu() na vstupní hodnotu daného uzlu.
Vypočítej výstup modelu tak, že stejným způsobem vypočítáš input_to_final_layer a model_output.
Pomocí smyčky for projdi input_data:
- Použij funkci predict_with_network() ke generování predikcí pro každý řádek input_data – input_data_row. Každou predikci přidej do results.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Define predict_with_network()
def predict_with_network(input_data_row, weights):

    # Calculate node 0 value
    node_0_input = ____
    node_0_output = ____

    # Calculate node 1 value
    node_1_input = ____
    node_1_output = ____

    # Put node values into array: hidden_layer_outputs
    hidden_layer_outputs = np.array([node_0_output, node_1_output])
    
    # Calculate model output
    input_to_final_layer = ____
    model_output = ____
    
    # Return model output
    return(model_output)

# Create empty list to store prediction results
results = []
for input_data_row in input_data:
    # Append prediction to results
    results.append(____)

# Print results
print(results)

Upravit a spustit kód