ComenzarEmpieza gratis

Definir el modelo y la función de pérdida

En este ejercicio, vas a entrenar una red neuronal para predecir si una persona titular de una tarjeta de crédito incurrirá en impago. Las características y los valores objetivo que usarás para entrenar la red están disponibles en el intérprete de Python como borrower_features y default. Definiste los pesos y los sesgos en el ejercicio anterior.

Ten en cuenta que la capa predictions se define como \(\sigma(layer1*w2+b2)\), donde \(\sigma\) es la activación sigmoide, layer1 es un tensor de nodos de la primera capa densa oculta, w2 es un tensor de pesos y b2 es el tensor de sesgos.

Las variables entrenables son w1, b1, w2 y b2. Además, ya tienes importadas las siguientes operaciones: keras.activations.relu() y keras.layers.Dropout().

Este ejercicio forma parte del curso

Introducción a TensorFlow en Python

Ver curso

Instrucciones del ejercicio

  • Aplica una función de activación rectificada lineal a la primera capa.
  • Aplica un 25% de dropout a layer1.
  • Pasa el objetivo, targets, y los valores predichos, predictions, a la función de pérdida de entropía cruzada.

Ejercicio interactivo práctico

Prueba este ejercicio y completa el código de muestra.

# Define the model
def model(w1, b1, w2, b2, features = borrower_features):
	# Apply relu activation functions to layer 1
	layer1 = keras.activations.____(matmul(features, w1) + b1)
    # Apply dropout rate of 0.25
	dropout = keras.layers.Dropout(____)(____)
	return keras.activations.sigmoid(matmul(dropout, w2) + b2)

# Define the loss function
def loss_function(w1, b1, w2, b2, features = borrower_features, targets = default):
	predictions = model(w1, b1, w2, b2)
	# Pass targets and predictions to the cross entropy loss
	return keras.losses.binary_crossentropy(____, ____)
Editar y ejecutar código