Kom igångKom igång gratis

Använda det täta lagret (dense layer)

Vi har nu sett hur man definierar täta lager i tensorflow med hjälp av linjär algebra. I den här övningen hoppar vi över linjäralgebran och låter keras sköta detaljerna. Det gör att vi kan konstruera nätverket nedan – med 2 dolda lager och 10 särdrag – med mindre kod än vad vi behövde för nätverket med 1 dolt lager och 3 särdrag.

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

För att konstruera det här nätverket behöver vi definiera tre täta lager, där varje lager tar det föregående lagret som indata, multiplicerar det med vikter och applicerar en aktiveringsfunktion. Observera att indata redan har definierats och finns tillgänglig som en 100x10-tensor: borrower_features. Dessutom är modulen keras.layers tillgänglig.

Den här övningen är en del av kursen

Introduktion till TensorFlow i Python

Visa kurs

Övningsinstruktioner

  • Sätt dense1 till ett tätt lager med 7 utdatanoder och en sigmoid-aktiveringsfunktion.
  • Definiera dense2 som ett tätt lager med 3 utdatanoder och en sigmoid-aktiveringsfunktion.
  • Definiera predictions som ett tätt lager med 1 utdatanod och en sigmoid-aktiveringsfunktion.
  • Skriv ut formerna för dense1, dense2 och predictions i den ordningen med hjälp av metoden .shape. Varför har var och en av dessa tensorer 100 rader?

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# 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)
Redigera och kör kod