Кодування алгоритму прямого поширення

У цій вправі ви напишете код для прямого поширення (передбачення) для вашої першої нейронної мережі:

Ch1Ex4

Кожна точка даних — це клієнт. Перший вхід — скільки облікових записів він має, другий — скільки в нього дітей. Модель передбачатиме, скільки транзакцій користувач зробить наступного року. Ви використовуватимете ці дані протягом перших 2 розділів цього курсу.

Вхідні дані вже завантажено як input_data, а ваги збережено в словнику weights. Масив ваг для першого вузла прихованого шару — у weights['node_0'], а масив ваг для другого вузла прихованого шару — у weights['node_1'].

Ваги, що надходять до вихідного вузла, доступні в weights['output'].

NumPy у всіх вправах попередньо імпортовано як np.

Ця вправа є частиною курсу

Вступ до Deep Learning у Python

Переглянути курс

Інструкції до вправи

Обчисліть значення у вузлі 0, помноживши input_data на його ваги weights['node_0'] і підсумувавши результат. Це 1-й вузол прихованого шару.
Обчисліть значення у вузлі 1, використовуючи input_data і weights['node_1']. Це 2-й вузол прихованого шару.
Помістіть значення прихованого шару в масив. Це вже зроблено для вас.
Згенеруйте передбачення, помноживши hidden_layer_outputs на weights['output'] і підсумувавши результат.
Натисніть 'Submit Answer', щоб вивести результат!

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# 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)

Редагувати та запускати код