Programmando l'algoritmo di forward propagation
In questo esercizio scriverai il codice per eseguire la forward propagation (predizione) per la tua prima rete neurale:
Ogni punto dati rappresenta un cliente. Il primo input è il numero di conti che possiede, il secondo è il numero di figli. Il modello predirà quante transazioni effettuerà l’utente nel prossimo anno. Userai questi dati per i primi 2 capitoli del corso.
I dati di input sono già caricati come input_data e i pesi sono disponibili in un dizionario chiamato weights. L’array di pesi per il primo nodo del livello nascosto è in weights['node_0'],
e l’array di pesi per il secondo nodo del livello nascosto è in weights['node_1'].
I pesi in ingresso al nodo di output sono disponibili in weights['output'].
NumPy è già importato come np in tutti gli esercizi.
Questo esercizio fa parte del corso
Introduzione al Deep Learning in Python
Istruzioni dell'esercizio
- Calcola il valore nel nodo 0 moltiplicando
input_dataper i suoi pesiweights['node_0']e calcolandone la somma. Questo è il 1° nodo del livello nascosto. - Calcola il valore nel nodo 1 usando
input_dataeweights['node_1']. Questo è il 2° nodo del livello nascosto. - Inserisci i valori del livello nascosto in un array. Questo è già stato fatto per te.
- Genera la predizione moltiplicando
hidden_layer_outputsperweights['output']e calcolandone la somma. - Premi "Invia risposta" per stampare l'output!
esercizio interattivo pratico
Prova questo esercizio completando questo codice di esempio.
# 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)