Začněte nyníZačněte zdarma

Použití operace husté vrstvy

Teď už víš, jak definovat husté vrstvy v tensorflow pomocí lineární algebry. V tomto cvičení lineární algebru přeskočíme a necháme keras, ať se postará o detaily. Díky tomu budeme moci sestavit níže uvedenou síť se 2 skrytými vrstvami a 10 příznaky s méně kódem, než bylo potřeba pro síť s 1 skrytou vrstvou a 3 příznaky.

This image depicts an neural network with 10 inputs nodes and 1 output node.

K sestavení této sítě budeme potřebovat definovat tři husté vrstvy, přičemž každá z nich přijímá předchozí vrstvu jako vstup, násobí ji váhami a aplikuje aktivační funkci. Vstupní data jsou již definována a dostupná jako tenzor 100×10: borrower_features. K dispozici je také modul keras.layers.

Toto cvičení je součástí kurzu

Úvod do TensorFlow v Pythonu

Zobrazit kurz

Pokyny k cvičení

  • Nastav dense1 jako hustou vrstvu se 7 výstupními uzly a aktivační funkcí sigmoid.
  • Definuj dense2 jako hustou vrstvu se 3 výstupními uzly a aktivační funkcí sigmoid.
  • Definuj predictions jako hustou vrstvu s 1 výstupním uzlem a aktivační funkcí sigmoid.
  • Vypiš tvary dense1, dense2 a predictions v tomto pořadí pomocí metody .shape. Proč má každý z těchto tenzorů 100 řádků?

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Define the first dense layer
dense1 = keras.layers.Dense(____, activation='____')(borrower_features)

# Define a dense layer with 3 output nodes
dense2 = ____

# Define a dense layer with 1 output node
predictions = ____

# Print the shapes of dense1, dense2, and predictions
print('\n shape of dense1: ', dense1.shape)
print('\n shape of dense2: ', ____.shape)
print('\n shape of predictions: ', ____.shape)
Upravit a spustit kód