ComeçarComece de graça

Usando a operação de camada densa

Agora vimos como definir camadas densas em tensorflow usando álgebra linear. Neste exercício, vamos pular a álgebra linear e deixar o keras cuidar dos detalhes. Isso vai nos permitir construir a rede abaixo, que tem 2 camadas ocultas e 10 variáveis de entrada, usando menos código do que precisávamos para a rede com 1 camada oculta e 3 variáveis.

This image depicts an neural network with 10 inputs nodes and 1 output node.

Para construir essa rede, vamos definir três camadas densas. Cada uma recebe a camada anterior como entrada, multiplica por pesos e aplica uma função de ativação. Note que os dados de entrada já foram definidos e estão disponíveis como um tensor 100x10: borrower_features. Além disso, o módulo keras.layers está disponível.

Este exercício faz parte do curso

Introdução ao TensorFlow em Python

Ver curso

Instruções do exercício

  • Defina dense1 como uma camada densa com 7 nós de saída e função de ativação sigmoid.
  • Defina dense2 como uma camada densa com 3 nós de saída e função de ativação sigmoid.
  • Defina predictions como uma camada densa com 1 nó de saída e função de ativação sigmoid.
  • Imprima os shapes de dense1, dense2 e predictions, nessa ordem, usando o método .shape. Por que cada um desses tensores tem 100 linhas?

Exercício interativo prático

Experimente este exercício completando este código de exemplo.

# 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)
Editar e executar o código