Программируем алгоритм прямого распространения

В этом упражнении вы напишете код для прямого распространения (предсказания) в вашей первой нейронной сети:

Ch1Ex4

Каждая точка данных соответствует одному клиенту. Первый входной признак — количество счетов клиента, второй — количество детей. Модель будет предсказывать количество транзакций, которые клиент совершит в следующем году. Эти данные будут использоваться на протяжении первых двух глав курса.

Входные данные уже загружены в переменную input_data, а веса доступны в словаре weights. Массив весов для первого нейрона скрытого слоя хранится в weights['node_0'], для второго нейрона — в weights['node_1'].

Веса, поступающие на выходной нейрон, доступны в weights['output'].

Библиотека NumPy будет заранее импортирована во всех упражнениях как np.

Это упражнение является частью курса

Введение в глубокое обучение на Python

Посмотреть курс

Инструкции к упражнению

Вычислите значение нейрона 0, умножив input_data на соответствующие веса weights['node_0'] и найдя их сумму. Это первый нейрон скрытого слоя.
Вычислите значение нейрона 1, используя input_data и weights['node_1']. Это второй нейрон скрытого слоя.
Поместите значения скрытого слоя в массив. Этот шаг уже выполнен за вас.
Получите предсказание, умножив hidden_layer_outputs на weights['output'] и найдя их сумму.
Нажмите Отправить ответ, чтобы вывести результат!

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

# Calculate node 0 value: node_0_value
node_0_value = (____ * ____).____

# Calculate node 1 value: node_1_value
node_1_value = ____

# Put node values into array: hidden_layer_outputs
hidden_layer_outputs = np.array([node_0_value, node_1_value])

# Calculate output: output
output = ____

# Print output
print(output)

Редактировать и запускать код