Podejście niskopoziomowe z wieloma przykładami
W tym ćwiczeniu pogłębimy intuicję dotyczącą podejścia niskopoziomowego, budując pierwszą gęstą warstwę ukrytą dla przypadku, gdy mamy wiele przykładów. Zakładamy, że model jest już wytrenowany, a wagi pierwszej warstwy weights1 oraz odchylenie bias1 są dostępne. Następnie wykonamy mnożenie macierzowe tensora borrower_features przez zmienną weights1. Przypomnij sobie, że tensor borrower_features zawiera informacje o wykształceniu, stanie cywilnym i wieku. Na koniec zastosujemy funkcję sigmoid do elementów products1 + bias1, uzyskując dense1.
\(products1 = \begin{bmatrix} 3 & 3 & 23 \\ 2 & 1 & 24 \\ 1 & 1 & 49 \\ 1 & 1 & 49 \\ 2 & 1 & 29 \end{bmatrix} \begin{bmatrix} -0.6 & 0.6 \\ 0.8 & -0.3 \\ -0.09 & -0.08 \end{bmatrix}\)
Zwróć uwagę, że matmul() oraz keras() zostały już zaimportowane z tensorflow.
To ćwiczenie jest częścią kursu
Wprowadzenie do TensorFlow w Pythonie
Instrukcje do ćwiczenia
- Oblicz
products1, mnożąc macierzowo tensor cech przez wagi. - Użyj funkcji aktywacji sigmoid, aby przekształcić
products1 + bias1. - Wyświetl kształty tensorów
borrower_features,weights1,bias1orazdense1.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Compute the product of borrower_features and weights1
products1 = ____
# Apply a sigmoid activation function to products1 + bias1
dense1 = ____
# Print the shapes of borrower_features, weights1, bias1, and dense1
print('\n shape of borrower_features: ', borrower_features.shape)
print('\n shape of weights1: ', ____.shape)
print('\n shape of bias1: ', ____.shape)
print('\n shape of dense1: ', ____.shape)