Das Netzwerk auf viele Beobachtungen/Datenzeilen anwenden

Jetzt definierst du eine Funktion namens „ predict_with_network() “, die Vorhersagen für mehrere Datenbeobachtungen macht, die schon als „ input_data “ geladen sind. Wie bisher sind auch „ weights “ schon vorinstalliert. Außerdem wurde die Funktion „ relu() ”, die du in der letzten Übung definiert hast, schon vorgeladen.

Diese Übung ist Teil des Kurses

Einführung in Deep Learning mit Python

Kurs anzeigen

Anleitung zur Übung

Mach eine Funktion namens „ predict_with_network() “, die zwei Argumente – „ input_data_row “ und „ weights “ – nimmt und als Ergebnis eine Vorhersage vom Netzwerk gibt.
Berechne die Eingangs- und Ausgangswerte für jeden Knoten und speichere sie wie folgt: node_0_input, node_0_output, node_1_input und node_1_output.
- Um den Eingabewert eines Knotens zu berechnen, multipliziert man die entsprechenden Arrays miteinander und addiert die Ergebnisse.
- Um den Ausgangswert eines Knotens zu berechnen, wende die Funktion „ relu() “ auf den Eingangswert des Knotens an.
Berechne die Modellausgabe, indem du „ input_to_final_layer “ und „ model_output “ genauso berechnest wie die Eingabe- und Ausgabewerte für die Knoten.
Verwende eine „ for “-Schleife, um „ input_data “ zu durchlaufen:
- Verwende dein Modell „ predict_with_network() “, um Vorhersagen für jede Zeile der Tabelle „ input_data “ zu erstellen – input_data_row. Füge jede Vorhersage an „ results “ an.

Interaktive Übung

Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.

# Define predict_with_network()
def predict_with_network(input_data_row, weights):

    # Calculate node 0 value
    node_0_input = ____
    node_0_output = ____

    # Calculate node 1 value
    node_1_input = ____
    node_1_output = ____

    # Put node values into array: hidden_layer_outputs
    hidden_layer_outputs = np.array([node_0_output, node_1_output])
    
    # Calculate model output
    input_to_final_layer = ____
    model_output = ____
    
    # Return model output
    return(model_output)

# Create empty list to store prediction results
results = []
for input_data_row in input_data:
    # Append prediction to results
    results.append(____)

# Print results
print(results)

Code bearbeiten und ausführen