Programar el algoritmo de propagación hacia adelante
En este ejercicio, vas a escribir código para hacer propagación hacia adelante (predicción) para tu primera red neuronal:
Cada punto de datos es un cliente. La primera entrada es cuántas cuentas tiene y la segunda es cuántos hijos tiene. El modelo predecirá cuántas transacciones hará el usuario el próximo año. Usarás estos datos a lo largo de los dos primeros capítulos de este curso.
Los datos de entrada se han precargado como input_data, y los pesos están disponibles en un diccionario llamado weights. El array de pesos para el primer nodo de la capa oculta está en weights['node_0'],
y el array de pesos para el segundo nodo de la capa oculta está en weights['node_1'].
Los pesos que alimentan al nodo de salida están disponibles en weights['output'].
NumPy estará preimportado como np en todos los ejercicios.
Este ejercicio forma parte del curso
Introducción al Deep Learning en Python
Instrucciones del ejercicio
- Calcula el valor del nodo 0 multiplicando
input_datapor sus pesosweights['node_0']y obteniendo la suma. Este es el 1.º nodo de la capa oculta. - Calcula el valor del nodo 1 usando
input_datayweights['node_1']. Este es el 2.º nodo de la capa oculta. - Coloca los valores de la capa oculta en un array. Esto ya está hecho por ti.
- Genera la predicción multiplicando
hidden_layer_outputsporweights['output']y obteniendo la suma. - Pulsa "Enviar respuesta" para imprimir el resultado.
Ejercicio interactivo práctico
Prueba este ejercicio y completa el código de muestra.
# 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)