Низкоуровневый подход с несколькими примерами
В этом упражнении мы углубим понимание низкоуровневого подхода, построив первый плотный скрытый слой для случая, когда у нас несколько примеров. Будем считать, что модель обучена, а веса первого слоя weights1 и смещение bias1 уже заданы. Выполним матричное умножение тензора borrower_features на переменную weights1. Напомним, что тензор borrower_features включает уровень образования, семейное положение и возраст. Наконец, применим функцию сигмоиды к элементам products1 + bias1, получив dense1.
\(products1 = \begin{bmatrix} 3 & 3 & 23 \\ 2 & 1 & 24 \\ 1 & 1 & 49 \\ 1 & 1 & 49 \\ 2 & 1 & 29 \end{bmatrix} \begin{bmatrix} -0.6 & 0.6 \\ 0.8 & -0.3 \\ -0.09 & -0.08 \end{bmatrix}\)
Обратите внимание, что matmul() и keras() уже импортированы из tensorflow.
Это упражнение является частью курса
Введение в TensorFlow на Python
Инструкции к упражнению
- Вычислите
products1, выполнив матричное умножение тензора признаков на веса. - Примените функцию активации сигмоиды для преобразования
products1 + bias1. - Выведите форму тензоров
borrower_features,weights1,bias1иdense1.
Интерактивное практическое упражнение
Попробуйте выполнить это упражнение, дополнив этот пример кода.
# Compute the product of borrower_features and weights1
products1 = ____
# Apply a sigmoid activation function to products1 + bias1
dense1 = ____
# Print the shapes of borrower_features, weights1, bias1, and dense1
print('\n shape of borrower_features: ', borrower_features.shape)
print('\n shape of weights1: ', ____.shape)
print('\n shape of bias1: ', ____.shape)
print('\n shape of dense1: ', ____.shape)