ComeçarComece gratuitamente

Usando a operação de camada densa

Vimos agora como definir camadas densas em tensorflow usando álgebra linear. Neste exercício, pularemos a álgebra linear e deixaremos que o keras resolva os detalhes. Isso nos permitirá construir a rede abaixo, que tem 2 camadas ocultas e 10 recursos, usando menos código do que o necessário para a rede com 1 camada oculta e 3 recursos.

Esta imagem mostra uma rede neural com 10 nós de entrada e 1 nó de saída.

Para construir essa rede, precisaremos definir três camadas densas, cada uma das quais recebe a camada anterior como entrada, multiplica-a por pesos e aplica uma função de ativação. Observe que os dados de entrada foram definidos e estão disponíveis como um tensor de 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 de exercício

  • Defina dense1 como uma camada densa com 7 nós de saída e uma função de ativação sigmoide.
  • Defina dense2 como uma camada densa com 3 nós de saída e uma função de ativação sigmoide.
  • Defina predictions como uma camada densa com 1 nó de saída e uma função de ativação sigmoide.
  • Imprima as formas 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 preenchendo 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 código