НачатьНачать бесплатно

Использование операции плотного слоя

Мы уже разобрались, как определять плотные слои в tensorflow с помощью линейной алгебры. В этом упражнении мы опустим линейную алгебру и доверим детали keras. Это позволит построить сеть, показанную ниже, — с 2 скрытыми слоями и 10 признаками — используя меньше кода, чем требовалось для сети с 1 скрытым слоем и 3 признаками.

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

Чтобы построить эту сеть, нужно определить три плотных слоя. Каждый из них принимает на вход предыдущий слой, умножает его на веса и применяет функцию активации. Обратите внимание: входные данные уже определены и доступны в виде тензора 100×10 — borrower_features. Модуль keras.layers также доступен.

Это упражнение является частью курса

Введение в TensorFlow на Python

Посмотреть курс

Инструкции к упражнению

  • Задайте dense1 как плотный слой с 7 выходными узлами и сигмоидной функцией активации.
  • Определите dense2 как плотный слой с 3 выходными узлами и сигмоидной функцией активации.
  • Определите predictions как плотный слой с 1 выходным узлом и сигмоидной функцией активации.
  • Выведите форму тензоров dense1, dense2 и predictions в указанном порядке, используя метод .shape. Почему каждый из этих тензоров содержит 100 строк?

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

# 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)
Редактировать и запускать код