Začněte nyníZačněte zdarma

Definice modelu a ztrátové funkce

V tomto cvičení natrénuješ neuronovou síť, která předpoví, zda držitel kreditní karty nesplatí svůj dluh. Příznaky a cílové hodnoty pro trénování sítě jsou v Pythonovém shellu dostupné jako borrower_features a default. Váhy a biasy jsi definoval/a v předchozím cvičení.

Vrstva predictions je definována jako \(\sigma(layer1*w2+b2)\), kde \(\sigma\) je sigmoidová aktivační funkce, layer1 je tensor uzlů první skryté husté vrstvy, w2 je tensor vah a b2 je tensor biasů.

Trénovatelné proměnné jsou w1, b1, w2 a b2. Kromě toho jsou pro tebe naimportovány tyto operace: keras.activations.relu() a keras.layers.Dropout().

Toto cvičení je součástí kurzu

Úvod do TensorFlow v Pythonu

Zobrazit kurz

Pokyny k cvičení

  • Aplikuj aktivační funkci rectified linear unit na první vrstvu.
  • Aplikuj 25% dropout na layer1.
  • Předej cílové hodnoty targets a predikované hodnoty predictions ztrátové funkci křížové entropie.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Define the model
def model(w1, b1, w2, b2, features = borrower_features):
	# Apply relu activation functions to layer 1
	layer1 = keras.activations.____(matmul(features, w1) + b1)
    # Apply dropout rate of 0.25
	dropout = keras.layers.Dropout(____)(____)
	return keras.activations.sigmoid(matmul(dropout, w2) + b2)

# Define the loss function
def loss_function(w1, b1, w2, b2, features = borrower_features, targets = default):
	predictions = model(w1, b1, w2, b2)
	# Pass targets and predictions to the cross entropy loss
	return keras.losses.binary_crossentropy(____, ____)
Upravit a spustit kód