De forward propagation-algoritme coderen

In deze oefening schrijf je code om forward propagation (voorspellen) uit te voeren voor je eerste neuraal netwerk:

Ch1Ex4

Elk datapunt is een klant. De eerste input is hoeveel accounts iemand heeft, en de tweede input is hoeveel kinderen. Het model voorspelt hoeveel transacties de gebruiker in het komende jaar doet. Je gebruikt deze gegevens in de eerste 2 hoofdstukken van deze cursus.

De inputgegevens zijn al ingeladen als input_data, en de gewichten staan in een dictionary weights. De array met gewichten voor de eerste node in de verborgen laag staat in weights['node_0'], en de array met gewichten voor de tweede node in de verborgen laag staat in weights['node_1'].

De gewichten die naar de outputnode gaan, staan in weights['output'].

NumPy is in alle oefeningen al voor je geïmporteerd als np.

Deze oefening maakt deel uit van de cursus

Introductie tot Deep Learning in Python

Cursus bekijken

Oefeninstructies

Bereken de waarde in node 0 door input_data te vermenigvuldigen met de bijbehorende gewichten weights['node_0'] en de som te nemen. Dit is de 1e node in de verborgen laag.
Bereken de waarde in node 1 met input_data en weights['node_1']. Dit is de 2e node in de verborgen laag.
Stop de waarden van de verborgen laag in een array. Dit is al voor je gedaan.
Genereer de voorspelling door hidden_layer_outputs te vermenigvuldigen met weights['output'] en de som te nemen.
Klik op 'Antwoord verzenden' om de output te printen!

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# 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)

Code bewerken en uitvoeren