Lineární algebra hustých vrstev
Hustou vrstvu lze v tensorflow definovat dvěma způsoby. První využívá nízkoúrovňové operace lineární algebry, druhý pak vysokoúrovňové operace z keras. V tomto cvičení použijeme první metodu k sestavení sítě zobrazené na obrázku níže.
Vstupní vrstva obsahuje 3 příznaky – vzdělání, rodinný stav a věk – dostupné jako borrower_features. Skrytá vrstva má 2 uzly a výstupní vrstva obsahuje jediný uzel.
Pro každou vrstvu vezmeš předchozí vrstvu jako vstup, inicializuješ sadu vah, vypočítáš součin vstupů a vah a následně aplikuješ aktivační funkci. Všimni si, že Variable(), ones(), matmul() a keras() jsou již importovány z tensorflow.
Toto cvičení je součástí kurzu
Úvod do TensorFlow v Pythonu
Interaktivní cvičení na vyzkoušení si v praxi
Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.
# Initialize bias1
bias1 = Variable(1.0)
# Initialize weights1 as 3x2 variable of ones
weights1 = ____(ones((____, ____)))
# Perform matrix multiplication of borrower_features and weights1
product1 = ____
# Apply sigmoid activation function to product1 + bias1
dense1 = keras.activations.____(____ + ____)
# Print shape of dense1
print("\n dense1's output shape: {}".format(dense1.shape))