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 :

Ch1Ex4

Chaque point de données correspond à un client. La première entrée indique combien de comptes il possède, et la seconde combien d’enfants il a. Le modèle prédit combien de transactions l’utilisateur effectuera l’année suivante. Vous utiliserez ces données tout au long des 2 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. Le tableau de poids du premier nœud de la couche cachée se trouve dans weights['node_0'], et le tableau de poids du second nœud de la couche cachée dans weights['node_1'].

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

NumPy sera préimporté pour vous sous le nom np dans tous les exercices.

Cet exercice fait partie du cours

Introduction au Deep Learning en Python

Afficher le cours

Instructions

Calculez la valeur du nœud 0 en multipliant input_data par ses poids weights['node_0'] puis en calculant la somme. Il s’agit du 1er nœud de la couche cachée.
Calculez la valeur du nœud 1 en utilisant input_data et weights['node_1']. Il s’agit du 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_outputs par weights['output'] puis en calculant la somme.
Cliquez sur "Soumettre la réponse" pour afficher 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