1. Nauka
    2. /
  2. Kursy
    3. /
  3. Wprowadzenie do TensorFlow w Pythonie
Connected

ćwiczenie

Definiowanie modelu i funkcji straty

W tym ćwiczeniu nauczysz sieć neuronową przewidywać, czy posiadacz karty kredytowej nie spłaci swojego zobowiązania. Cechy i etykiety, których użyjesz do trenowania sieci, są dostępne w powłoce Pythona jako borrower_features i default. Wagi i obciążenia zostały zdefiniowane w poprzednim ćwiczeniu.

Zwróć uwagę, że warstwa predictions jest zdefiniowana jako \(\sigma(layer1*w2+b2)\), gdzie \(\sigma\) to funkcja aktywacji sigmoid, layer1 to tensor węzłów pierwszej ukrytej warstwy gęstej, w2 to tensor wag, a b2 to tensor obciążeń.

Trenowalne zmienne to w1, b1, w2 i b2. Ponadto zostały już zaimportowane następujące operacje: keras.activations.relu() oraz keras.layers.Dropout().

Instrukcje

100 XP
  • Zastosuj funkcję aktywacji ReLU (jednostka liniowa z obcięciem) do pierwszej warstwy.
  • Zastosuj dropout na poziomie 25% do warstwy layer1.
  • Przekaż wartości docelowe targets oraz przewidywane wartości predictions do funkcji straty entropii krzyżowej.