Koda algoritmen för framåtpropagering

I den här övningen skriver du kod för framåtpropagering (prediktion) för ditt första neurala nätverk:

Ch1Ex4

Varje datapunkt representerar en kund. Den första indatavariabeln är antalet konton kunden har, och den andra är antalet barn. Modellen ska förutsäga hur många transaktioner användaren gör under nästa år. Du kommer att använda dessa data genom hela de två första kapitlen i kursen.

Indata har förhandsladdats som input_data, och vikterna finns tillgängliga i en ordbok kallad weights. Arrayen med vikter för den första noden i det dolda lagret finns i weights['node_0'], och arrayen med vikter för den andra noden i det dolda lagret finns i weights['node_1'].

Vikterna som matas in till utdatanoden finns i weights['output'].

NumPy kommer att vara förhandsimporterat som np i alla övningar.

Den här övningen är en del av kursen

Introduktion till djupinlärning i Python

Visa kurs

Övningsinstruktioner

Beräkna värdet i nod 0 genom att multiplicera input_data med dess vikter weights['node_0'] och summera resultatet. Det här är den första noden i det dolda lagret.
Beräkna värdet i nod 1 med hjälp av input_data och weights['node_1']. Det här är den andra noden i det dolda lagret.
Lägg värdena från det dolda lagret i en array. Det här steget är redan klart.
Generera prediktionen genom att multiplicera hidden_layer_outputs med weights['output'] och summera resultatet.
Klicka på Skicka in svar för att skriva ut resultatet!

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# 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)

Redigera och kör kod