Линейная алгебра плотных слоёв
В tensorflow есть два способа определить плотный слой. Первый основан на низкоуровневых операциях линейной алгебры. Второй использует высокоуровневый API keras. В этом упражнении мы воспользуемся первым методом, чтобы построить сеть, изображённую на рисунке ниже.
Входной слой содержит 3 признака — уровень образования, семейное положение и возраст — доступных через borrower_features. Скрытый слой содержит 2 узла, а выходной слой — один узел.
Для каждого слоя вы берёте предыдущий слой в качестве входа, инициализируете набор весов, вычисляете произведение входов и весов, а затем применяете функцию активации. Обратите внимание, что Variable(), ones(), matmul() и keras() уже импортированы из tensorflow.
Это упражнение является частью курса
Введение в TensorFlow на Python
Интерактивное практическое упражнение
Попробуйте выполнить это упражнение, дополнив этот пример кода.
# Initialize bias1
bias1 = Variable(1.0)
# Initialize weights1 as 3x2 variable of ones
weights1 = ____(ones((____, ____)))
# Perform matrix multiplication of borrower_features and weights1
product1 = ____
# Apply sigmoid activation function to product1 + bias1
dense1 = keras.activations.____(____ + ____)
# Print shape of dense1
print("\n dense1's output shape: {}".format(dense1.shape))