Kodowanie algorytmu propagacji w przód
W tym ćwiczeniu napiszesz kod wykonujący propagację w przód (predykcję) dla swojej pierwszej sieci neuronowej:
Każdy punkt danych reprezentuje jednego klienta. Pierwsza cecha wejściowa to liczba posiadanych przez niego kont, a druga – liczba dzieci. Model przewiduje, ile transakcji dany klient wykona w ciągu następnego roku. Tych danych będziesz używać przez pierwsze 2 rozdziały kursu.
Dane wejściowe są wczytane jako input_data, a wagi dostępne są w słowniku o nazwie weights. Tablica wag dla pierwszego węzła w warstwie ukrytej znajduje się w weights['node_0'],
a tablica wag dla drugiego węzła w warstwie ukrytej – w weights['node_1'].
Wagi prowadzące do węzła wyjściowego dostępne są w weights['output'].
Biblioteka NumPy będzie we wszystkich ćwiczeniach zaimportowana jako np.
To ćwiczenie jest częścią kursu
Wprowadzenie do uczenia głębokiego w Pythonie
Instrukcje do ćwiczenia
- Oblicz wartość węzła 0, mnożąc
input_dataprzez jego wagiweights['node_0']i sumując wyniki. To jest 1. węzeł w warstwie ukrytej. - Oblicz wartość węzła 1, używając
input_dataiweights['node_1']. To jest 2. węzeł w warstwie ukrytej. - Umieść wartości warstwy ukrytej w tablicy. Ten krok został już za ciebie wykonany.
- Wygeneruj predykcję, mnożąc
hidden_layer_outputsprzezweights['output']i sumując wyniki. - Kliknij Prześlij odpowiedź, aby wyświetlić wynik!
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# 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)