Coder l'algorithme de propagation avant
Dans cet exercice, vous allez écrire du code pour effectuer la propagation avant (prédiction) pour votre premier réseau de neurones :
Chaque point de données représente un client. La première entrée correspond au nombre de comptes qu'il possède, et la deuxième au nombre d'enfants. Le modèle prédit combien de transactions l'utilisateur effectuera au cours de la prochaine année. Vous utiliserez ces données tout au long des 2 premiers chapitres de ce cours.
Les données d'entrée ont été préchargées dans input_data, et les poids sont disponibles dans un dictionnaire appelé weights. Le tableau de poids pour le premier nœud de la couche cachée se trouve dans weights['node_0'], et le tableau de poids pour le deuxième nœud de la couche cachée se trouve dans weights['node_1'].
Les poids qui alimentent le nœud de sortie sont disponibles dans weights['output'].
NumPy sera préimporté sous le nom np dans tous les exercices.
Cette activité fait partie du cours
Introduction à Deep Learning en Python
Instructions de l’exercice
- Calculez la valeur du nœud 0 en multipliant
input_datapar ses poidsweights['node_0']et en en calculant la somme. C'est le 1er nœud de la couche cachée. - Calculez la valeur du nœud 1 en utilisant
input_dataetweights['node_1']. C'est le 2e nœud de la couche cachée. - Placez les valeurs de la couche cachée dans un tableau. Cela a été fait pour vous.
- Générez la prédiction en multipliant
hidden_layer_outputsparweights['output']et en en calculant la somme. - Cliquez sur "Soumettre la réponse" pour afficher le résultat !
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# 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)