Die Lineare Algebra dichter Schichten
Es gibt zwei Möglichkeiten, eine dichte Schicht in tensorflow zu definieren. Die erste nutzt Low-Level-Operationen aus der linearen Algebra. Die zweite verwendet High-Level-Operationen aus keras. In dieser Übung verwenden wir die erste Methode, um das unten abgebildete Netzwerk zu konstruieren.
Die Eingabeschicht enthält 3 Merkmale – Ausbildung, Familienstand und Alter – die als borrower_features vorliegen. Die verborgene Schicht enthält 2 Knoten und die Ausgabeschicht einen einzelnen Knoten.
Für jede Schicht verwendest du die vorherige Schicht als Eingabe, initialisierst einen Satz von Gewichten, berechnest das Produkt aus Eingaben und Gewichten und wendest anschließend eine Aktivierungsfunktion an. Beachte, dass Variable(), ones(), matmul() und keras() aus tensorflow importiert wurden.
Diese Übung ist Teil des Kurses
Einführung in TensorFlow mit Python
Interaktive Übung
Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.
# 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))