Zacznij terazZacznij za darmo

Operacja na warstwie gęstej

Wiesz już, jak definiować warstwy gęste w tensorflow z użyciem algebry liniowej. W tym ćwiczeniu pominiemy algebrę liniową i pozwolimy, żeby keras zajął się szczegółami. Dzięki temu zbudujemy sieć przedstawioną poniżej – z 2 warstwami ukrytymi i 10 cechami – używając mniej kodu niż przy sieci z 1 warstwą ukrytą i 3 cechami.

Ten obraz przedstawia sieć neuronową z 10 węzłami wejściowymi i 1 węzłem wyjściowym.

Aby zbudować tę sieć, musisz zdefiniować trzy warstwy gęste. Każda z nich przyjmuje poprzednią warstwę jako dane wejściowe, mnoży je przez wagi i stosuje funkcję aktywacji. Dane wejściowe zostały już zdefiniowane i są dostępne jako tensor 100×10: borrower_features. Moduł keras.layers jest również dostępny.

To ćwiczenie jest częścią kursu

Wprowadzenie do TensorFlow w Pythonie

Zobacz kurs

Instrukcje do ćwiczenia

  • Ustaw dense1 jako warstwę gęstą z 7 węzłami wyjściowymi i sigmoidalną funkcją aktywacji.
  • Zdefiniuj dense2 jako warstwę gęstą z 3 węzłami wyjściowymi i sigmoidalną funkcją aktywacji.
  • Zdefiniuj predictions jako warstwę gęstą z 1 węzłem wyjściowym i sigmoidalną funkcją aktywacji.
  • Wyświetl kształty tensorów dense1, dense2 i predictions w tej kolejności, używając metody .shape. Dlaczego każdy z tych tensorów ma 100 wierszy?

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# Define the first dense layer
dense1 = keras.layers.Dense(____, activation='____')(borrower_features)

# Define a dense layer with 3 output nodes
dense2 = ____

# Define a dense layer with 1 output node
predictions = ____

# Print the shapes of dense1, dense2, and predictions
print('\n shape of dense1: ', dense1.shape)
print('\n shape of dense2: ', ____.shape)
print('\n shape of predictions: ', ____.shape)
Edytuj i uruchom kod