Codage de l'algorithme de propagation vers l'avant

Dans cet exercice, vous allez écrire du code pour effectuer la propagation avant (prédiction) pour votre premier réseau neuronal :

Ch1Ex4

Chaque point de données représente un client. La première information à fournir est le nombre de comptes qu'ils possèdent, et la seconde est le nombre d'enfants qu'ils ont. Le modèle prédira le nombre de transactions que l'utilisateur effectuera au cours de l'année suivante. Vous utiliserez ces données tout au long des deux premiers chapitres de ce cours.

Les données d'entrée ont été préchargées sous le nom « input_data » et les poids sont disponibles dans un dictionnaire appelé « weights ». La matrice des poids pour le premier nœud de la couche cachée est la suivante : weights['node_0'] et la matrice des poids pour le deuxième nœud de la couche cachée sont dans l'weights['node_1'].

Les poids entrant dans le nœud de sortie sont disponibles dans weights['output'].

NumPy sera pré-importé pour vous sous le nom d'np dans tous les exercices.

Cet exercice fait partie du cours

Introduction au Deep Learning avec Python

Afficher le cours

Instructions

Calculez la valeur du nœud 0 en multipliant l'input_data e par ses poids weights['node_0'] et en calculant leur somme. Il s'agit du premier nœud de la couche cachée.
Veuillez calculer la valeur du nœud 1 en utilisant input_data et weights['node_1']. Il s'agit du deuxième 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_outputs par weights['output'] et en calculant leur somme.
Veuillez cliquer sur « Soumettre la réponse » pour imprimer le résultat.

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

# 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)

Modifier et exécuter le code