Codificación del algoritmo de propagación hacia delante
En este ejercicio, escribirás código para realizar la propagación hacia delante (predicción) de tu primera red neuronal:
Cada punto de datos es un cliente. La primera entrada es cuántas cuentas tienen, y la segunda, cuántos hijos tienen. El modelo predecirá cuántas transacciones realiza el usuario en el próximo año. Utilizarás estos datos a lo largo de los 2 primeros capítulos de este curso.
Los datos de entrada se han cargado previamente como input_data, y los pesos están disponibles en un diccionario llamado weights. La matriz de pesos del primer nodo de la capa oculta está en weights['node_0'],
y la matriz de pesos del segundo nodo de la capa oculta están en weights['node_1'].
Los pesos que alimentan el nodo de salida están disponibles en weights['output'].
NumPy estará preimportado para ti como np en todos los ejercicios.
Este ejercicio forma parte del curso
Introducción al Aprendizaje Profundo en Python
Instrucciones de ejercicio
- Calcula el valor en el nodo 0 multiplicando
input_datapor sus pesosweights['node_0']y calculando su suma. Es el 1er nodo de la capa oculta. - Calcula el valor en el nodo 1 utilizando
input_datayweights['node_1']. Es el 2º nodo de la capa oculta. - Coloca los valores de la capa oculta en una matriz. Esto se ha hecho por ti.
- Genera la predicción multiplicando
hidden_layer_outputsporweights['output']y calculando su suma. - Pulsa "Enviar respuesta" para imprimir el resultado.
Ejercicio interactivo práctico
Pruebe este ejercicio completando este 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)