Der Low-Level-Ansatz mit mehreren Beispielen
In dieser Übung vertiefen wir das Verständnis für den Low-Level-Ansatz, indem wir die erste dichte verborgene Schicht für den Fall konstruieren, dass wir mehrere Beispiele haben. Wir nehmen an, dass das Modell trainiert ist und die Gewichte der ersten Schicht, weights1, sowie der Bias, bias1, verfügbar sind. Anschließend führen wir eine Matrixmultiplikation des Tensors borrower_features mit der Variable weights1 durch. Zur Erinnerung: Der Tensor borrower_features enthält Ausbildung, Familienstand und Alter. Abschließend wenden wir die Sigmoid-Funktion auf die Elemente von products1 + bias1 an und erhalten dense1.
\(products1 = \begin{bmatrix} 3 & 3 & 23 \\ 2 & 1 & 24 \\ 1 & 1 & 49 \\ 1 & 1 & 49 \\ 2 & 1 & 29 \end{bmatrix} \begin{bmatrix} -0.6 & 0.6 \\ 0.8 & -0.3 \\ -0.09 & -0.08 \end{bmatrix}\)
Beachte, dass matmul() und keras() aus tensorflow importiert wurden.
Diese Übung ist Teil des Kurses
Einführung in TensorFlow mit Python
Anleitung zur Übung
- Berechne
products1, indem du den Feature-Tensor mit den Gewichten matrixmultiplizierst. - Verwende eine Sigmoid-Aktivierungsfunktion, um
products1 + bias1zu transformieren. - Gib die Shapes von
borrower_features,weights1,bias1unddense1aus.
Interaktive Übung
Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.
# 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)