BaşlayınÜcretsiz Başlayın

Modeli ve kayıp fonksiyonunu tanımlama

Bu egzersizde, bir kredi kartı sahibinin temerrüde düşüp düşmeyeceğini tahmin etmek için bir sinir ağı eğiteceksin. Ağı eğitmek için kullanacağın özellikler ve hedefler Python kabuğunda borrower_features ve default olarak mevcut. Ağırlıkları ve önyargıları (bias) bir önceki egzersizde tanımlamıştın.

predictions katmanının \(\sigma(layer1*w2+b2)\) olarak tanımlandığını unutma; burada \(\sigma\) sigmoid aktivasyonudur, layer1 ilk gizli yoğun (dense) katmanın düğümlerinden oluşan tensördür, w2 ağırlık tensörüdür ve b2 bias tensörüdür.

Eğitilebilir değişkenler w1, b1, w2 ve b2'dir. Ek olarak, senin için şu işlemler içe aktarıldı: keras.activations.relu() ve keras.layers.Dropout().

Bu egzersiz

Python ile TensorFlow’a Giriş

kursunun bir parçasıdır
Kursu Görüntüle

Egzersiz talimatları

  • İlk katmana düzeltilmiş doğrusal birim (ReLU) aktivasyonunu uygula.
  • layer1 için %25 dropout uygula.
  • Hedef olan targets ile tahmin değerleri predictions'ı çapraz entropi kayıp fonksiyonuna sırayla geçir.

Uygulamalı interaktif egzersiz

Bu örnek kodu tamamlayarak bu egzersizi bitirin.

# Define the model
def model(w1, b1, w2, b2, features = borrower_features):
	# Apply relu activation functions to layer 1
	layer1 = keras.activations.____(matmul(features, w1) + b1)
    # Apply dropout rate of 0.25
	dropout = keras.layers.Dropout(____)(____)
	return keras.activations.sigmoid(matmul(dropout, w2) + b2)

# Define the loss function
def loss_function(w1, b1, w2, b2, features = borrower_features, targets = default):
	predictions = model(w1, b1, w2, b2)
	# Pass targets and predictions to the cross entropy loss
	return keras.losses.binary_crossentropy(____, ____)
Kodu Düzenle ve Çalıştır