Redes neuronales multicapa

En este ejercicio, escribirás código para realizar la propagación hacia adelante en una red neuronal con dos capas ocultas. Cada capa oculta tiene dos nodos. Los datos de entrada se han precargado como input_data. Los nodos de la primera capa oculta se denominan « node_0_0 » y « node_0_1 ». Sus pesos están precargados como weights['node_0_0'] y weights['node_0_1'] respectivamente.

Los nodos de la segunda capa oculta se denominan « node_1_0 » y « node_1_1 ». Sus pesos están precargados como weights['node_1_0'] y weights['node_1_1'] respectivamente.

A continuación, creamos un modelo a partir de los nodos ocultos utilizando los pesos precargados como weights['output'].

Ch1Ex10

Este ejercicio forma parte del curso

Introducción al aprendizaje profundo en Python

Ver curso

Instrucciones del ejercicio

Calcula el valor de la vida media ponderada ( node_0_0_input ) utilizando sus ponderaciones weights['node_0_0'] y el valor dado input_data. A continuación, aplica la función « relu() » para obtener « node_0_0_output ».
Haz lo mismo que arriba para node_0_1_input y obtendrás node_0_1_output.
Calcula node_1_0_input utilizando sus pesos weights['node_1_0'] y los resultados de la primera capa oculta - hidden_0_outputs. A continuación, aplica la función « relu() » para obtener « node_1_0_output ».
Haz lo mismo que arriba para node_1_1_input y obtendrás node_1_1_output.
Calcula model_output utilizando sus pesos weights['output'] y las salidas del segundo arreglo de la capa oculta hidden_1_outputs. No apliques la función « relu() » a esta salida.

Ejercicio interactivo práctico

Prueba este ejercicio completando el código de muestra.

def predict_with_network(input_data):
    # Calculate node 0 in the first hidden layer
    node_0_0_input = (____ * ____).sum()
    node_0_0_output = relu(____)

    # Calculate node 1 in the first hidden layer
    node_0_1_input = ____
    node_0_1_output = ____

    # Put node values into array: hidden_0_outputs
    hidden_0_outputs = np.array([node_0_0_output, node_0_1_output])
    
    # Calculate node 0 in the second hidden layer
    node_1_0_input = ____
    node_1_0_output = ____

    # Calculate node 1 in the second hidden layer
    node_1_1_input = ____
    node_1_1_output = ____

    # Put node values into array: hidden_1_outputs
    hidden_1_outputs = np.array([node_1_0_output, node_1_1_output])

    # Calculate model output: model_output
    model_output = ____
    
    # Return model_output
    return(model_output)

output = predict_with_network(input_data)
print(output)

Editar y ejecutar código