Forward Propagation programmieren
In dieser Übung schreibst du Code für die Forward Propagation (Vorhersage) deines ersten neuronalen Netzes:
Jeder Datenpunkt steht für eine Kundin oder einen Kunden. Die erste Eingabe ist die Anzahl der Konten, die zweite die Anzahl der Kinder. Das Modell sagt vorher, wie viele Transaktionen die Person im nächsten Jahr macht. Du wirst diese Daten in den ersten zwei Kapiteln dieses Kurses durchgängig verwenden.
Die Eingabedaten wurden als input_data vorab geladen, und die Gewichte sind in einem Dictionary namens weights verfügbar. Das Array mit Gewichten für den ersten Knoten der verborgenen Schicht befindet sich in weights['node_0'],
und das Array mit Gewichten für den zweiten Knoten der Hidden Layer befindet sich in weights['node_1'].
Die Gewichte, die auf den Ausgabe-Knoten wirken, findest du in weights['output'].
NumPy wird in allen Übungen als np importiert sein.
Diese Übung ist Teil des Kurses
Einführung in Deep Learning mit Python
Anleitung zur Übung
- Berechne den Wert in Knoten 0, indem du
input_datamit seinen Gewichtenweights['node_0']multiplizierst und anschließend die Summe bildest. Das ist der erste Knoten in der verborgenen Schicht. - Berechne den Wert in Knoten 1 mit
input_dataundweights['node_1']. Das ist der zweite Knoten in der verborgenen Schicht. - Lege die Werte der verborgenen Schicht in einem Array ab. Das wurde bereits für dich erledigt.
- Erzeuge die Vorhersage, indem du
hidden_layer_outputsmitweights['output']multiplizierst und anschließend die Summe bildest. - Klicke auf "Antworten", um die Ausgabe auszugeben!
Interaktive Übung
Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.
# Calculate node 0 value: node_0_value
node_0_value = (____ * ____).____
# Calculate node 1 value: node_1_value
node_1_value = ____
# Put node values into array: hidden_layer_outputs
hidden_layer_outputs = np.array([node_0_value, node_1_value])
# Calculate output: output
output = ____
# Print output
print(output)