Začněte nyníZačněte zdarma

Nízkoúrovňový přístup s více příklady

V tomto cvičení si prohloubíme intuici pro nízkoúrovňový přístup tím, že sestavíme první hustou skrytou vrstvu pro případ, kdy máme k dispozici více příkladů. Budeme předpokládat, že model je natrénovaný a že jsou dostupné váhy první vrstvy weights1 a bias bias1. Provedeme maticové násobení tenzoru borrower_features s proměnnou weights1. Připomeňme, že tenzor borrower_features obsahuje vzdělání, rodinný stav a věk. Nakonec aplikujeme sigmoidu na prvky výrazu products1 + bias1 a získáme dense1.

\(products1 = \begin{bmatrix} 3 & 3 & 23 \\ 2 & 1 & 24 \\ 1 & 1 & 49 \\ 1 & 1 & 49 \\ 2 & 1 & 29 \end{bmatrix} \begin{bmatrix} -0.6 & 0.6 \\ 0.8 & -0.3 \\ -0.09 & -0.08 \end{bmatrix}\)

Poznámka: matmul() a keras() byly naimportovány z tensorflow.

Toto cvičení je součástí kurzu

Úvod do TensorFlow v Pythonu

Zobrazit kurz

Pokyny k cvičení

  • Vypočítej products1 maticovým násobením tenzoru příznaků a vah.
  • Použij aktivační funkci sigmoid k transformaci výrazu products1 + bias1.
  • Vypiš tvary tenzorů borrower_features, weights1, bias1 a dense1.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Compute the product of borrower_features and weights1
products1 = ____

# Apply a sigmoid activation function to products1 + bias1
dense1 = ____

# Print the shapes of borrower_features, weights1, bias1, and dense1
print('\n shape of borrower_features: ', borrower_features.shape)
print('\n shape of weights1: ', ____.shape)
print('\n shape of bias1: ', ____.shape)
print('\n shape of dense1: ', ____.shape)
Upravit a spustit kód