เริ่มต้นใช้งานเริ่มต้นใช้งานได้ฟรี

การใช้งาน dense layer

เราได้เรียนรู้การกำหนด dense layer ใน tensorflow โดยใช้พีชคณิตเชิงเส้นไปแล้ว ในแบบฝึกหัดนี้ เราจะข้ามส่วนพีชคณิตเชิงเส้นและให้ keras จัดการรายละเอียดแทน วิธีนี้ช่วยให้สร้างโครงข่ายด้านล่าง ซึ่งมี 2 hidden layer และ 10 features ได้ด้วยโค้ดที่สั้นกว่าโครงข่ายที่มี 1 hidden layer และ 3 features

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

ในการสร้างโครงข่ายนี้ ต้องกำหนด dense layer สามชั้น โดยแต่ละชั้นจะรับ layer ก่อนหน้าเป็น input คูณด้วยค่าน้ำหนัก แล้วนำไปผ่าน activation function โดยข้อมูล input ถูกกำหนดไว้แล้วในรูป tensor ขนาด 100x10 ชื่อ borrower_features และสามารถใช้งาน keras.layers module ได้ทันที

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

TensorFlow เบื้องต้นใน Python

ดูคอร์ส

คำแนะนำการฝึกหัด

  • กำหนดให้ dense1 เป็น dense layer ที่มี 7 output node และใช้ sigmoid เป็น activation function
  • กำหนดให้ dense2 เป็น dense layer ที่มี 3 output node และใช้ sigmoid เป็น activation function
  • กำหนดให้ predictions เป็น dense layer ที่มี 1 output node และใช้ sigmoid เป็น activation function
  • แสดงรูปร่างของ dense1, dense2 และ predictions ตามลำดับ โดยใช้เมธอด .shape แล้วลองคิดดูว่าเหตุใด tensor แต่ละตัวจึงมี 100 แถว

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# 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)
แก้ไขและรันโค้ด