Dense लेयर ऑपरेशन का उपयोग
अब तक आपने देखा कि tensorflow में लीनियर अल्जेब्रा का उपयोग करके dense लेयर्स कैसे परिभाषित करते हैं। इस अभ्यास में, हम लीनियर अल्जेब्रा को छोड़ेंगे और विवरण keras पर छोड़ देंगे। इससे हम नीचे दिखाए गए नेटवर्क का निर्माण कम कोड में कर पाएँगे — इसमें 2 hidden लेयर्स और 10 फीचर्स हैं — जबकि पहले वाले नेटवर्क में 1 hidden लेयर और 3 फीचर्स थे और अधिक कोड लगा था।
इस नेटवर्क को बनाने के लिए, हमें तीन dense लेयर्स परिभाषित करनी होंगी। हर लेयर पिछली लेयर को इनपुट के रूप में लेती है, उसे weights से गुणा करती है, और एक एक्टिवेशन फंक्शन लागू करती है। ध्यान दें कि इनपुट डेटा पहले से परिभाषित है और 100x10 टेन्सर के रूप में उपलब्ध है: borrower_features। इसके अतिरिक्त, keras.layers मॉड्यूल उपलब्ध है।
यह अभ्यास पाठ्यक्रम का हिस्सा है
Python में TensorFlow परिचय
अभ्यास निर्देश
dense1को 7 आउटपुट नोड्स और sigmoid एक्टिवेशन फंक्शन वाली dense लेयर के रूप में सेट करें।dense2को 3 आउटपुट नोड्स और sigmoid एक्टिवेशन फंक्शन वाली dense लेयर के रूप में परिभाषित करें।predictionsको 1 आउटपुट नोड और sigmoid एक्टिवेशन फंक्शन वाली dense लेयर के रूप में परिभाषित करें।.shapeमेथड का उपयोग करके क्रम सेdense1,dense2, औरpredictionsके shapes प्रिंट करें। इन प्रत्येक टेन्सरों में 100 rows क्यों हैं?
इंटरैक्टिव व्यावहारिक अभ्यास
इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।
# Define the first dense layer
dense1 = keras.layers.Dense(____, activation='____')(borrower_features)
# Define a dense layer with 3 output nodes
dense2 = ____
# Define a dense layer with 1 output node
predictions = ____
# Print the shapes of dense1, dense2, and predictions
print('\n shape of dense1: ', dense1.shape)
print('\n shape of dense2: ', ____.shape)
print('\n shape of predictions: ', ____.shape)