Application du réseau à de nombreuses observations/lignes de données

Vous allez maintenant définir une fonction appelée « predict_with_network() » qui générera des prédictions pour plusieurs observations de données, qui sont préchargées sous le nom « input_data ». Comme précédemment, les fichiers weights sont également préchargés. De plus, la fonction d'relu() que vous avez définie dans l'exercice précédent a été préchargée.

Cet exercice fait partie du cours

Introduction au Deep Learning avec Python

Afficher le cours

Instructions

Définissez une fonction appelée « predict_with_network() » qui accepte deux arguments, « input_data_row » et « weights », et renvoie une prédiction du réseau comme résultat.
Calculez les valeurs d'entrée et de sortie pour chaque nœud, en les enregistrant comme suit : node_0_input, node_0_output, node_1_input et node_1_output.
- Pour calculer la valeur d'entrée d'un nœud, multipliez les tableaux pertinents entre eux et calculez leur somme.
- Pour calculer la valeur de sortie d'un nœud, appliquez la fonction d'relu() à la valeur d'entrée du nœud.
Calculez la sortie du modèle en calculant input_to_final_layer et model_output de la même manière que vous avez calculé les valeurs d'entrée et de sortie pour les nœuds.
Utilisez une boucle « for » pour parcourir « input_data » :
- Veuillez utiliser votre modèle de prédiction de l'predict_with_network() pour générer des prédictions pour chaque ligne de l'input_data - input_data_row. Veuillez ajouter chaque prédiction à l'results.

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

# Define predict_with_network()
def predict_with_network(input_data_row, weights):

    # Calculate node 0 value
    node_0_input = ____
    node_0_output = ____

    # Calculate node 1 value
    node_1_input = ____
    node_1_output = ____

    # Put node values into array: hidden_layer_outputs
    hidden_layer_outputs = np.array([node_0_output, node_1_output])
    
    # Calculate model output
    input_to_final_layer = ____
    model_output = ____
    
    # Return model output
    return(model_output)

# Create empty list to store prediction results
results = []
for input_data_row in input_data:
    # Append prediction to results
    results.append(____)

# Print results
print(results)

Modifier et exécuter le code