Algebra liniowa gęstych warstw
Istnieją dwa sposoby definiowania gęstej warstwy w tensorflow. Pierwszy polega na wykorzystaniu niskopoziomowych operacji algebry liniowej. Drugi korzysta z wysokopoziomowych operacji keras. W tym ćwiczeniu użyjemy pierwszej metody, aby zbudować sieć pokazaną na poniższym obrazku.
Warstwa wejściowa zawiera 3 cechy – wykształcenie, stan cywilny i wiek – dostępne jako borrower_features. Warstwa ukryta zawiera 2 węzły, a warstwa wyjściowa – jeden węzeł.
Dla każdej warstwy pobierzesz poprzednią warstwę jako dane wejściowe, zainicjalizujesz zestaw wag, obliczysz iloczyn danych wejściowych i wag, a następnie zastosujesz funkcję aktywacji. Pamiętaj, że Variable(), ones(), matmul() i keras() zostały zaimportowane z tensorflow.
To ćwiczenie jest częścią kursu
Wprowadzenie do TensorFlow w Pythonie
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Initialize bias1
bias1 = Variable(1.0)
# Initialize weights1 as 3x2 variable of ones
weights1 = ____(ones((____, ____)))
# Perform matrix multiplication of borrower_features and weights1
product1 = ____
# Apply sigmoid activation function to product1 + bias1
dense1 = keras.activations.____(____ + ____)
# Print shape of dense1
print("\n dense1's output shape: {}".format(dense1.shape))