Kom igångKom igång gratis

Träna neurala nätverk med TensorFlow

I föregående övning definierade du en modell, model(w1, b1, w2, b2, features), och en förlustfunktion, loss_function(w1, b1, w2, b2, features, targets), som båda finns tillgängliga i den här övningen. Nu ska du träna modellen och sedan utvärdera dess prestanda genom att förutsäga kreditförluster i ett testset, bestående av test_features och test_targets, som också finns tillgängligt. De träningsbara variablerna är w1, b1, w2 och b2. Dessutom har följande operationer importerats åt dig: keras.activations.relu() och keras.layers.Dropout().

Den här övningen är en del av kursen

Introduktion till TensorFlow i Python

Visa kurs

Övningsinstruktioner

  • Ställ in optimeraren för att utföra minimering.
  • Lägg till de fyra träningsbara variablerna i var_list i den ordning de förekommer som argument till loss_function().
  • Använd modellen och test_features för att förutsäga värdena för test_targets.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Train the model
for j in range(100):
    # Complete the optimizer
	opt.____(lambda: loss_function(w1, b1, w2, b2), 
                 var_list=[____, ____, ____, ____])

# Make predictions with model using test features
model_predictions = model(w1, b1, w2, b2, ____)

# Construct the confusion matrix
confusion_matrix(test_targets, model_predictions)
Redigera och kör kod