Функція виправленої лінійної активації

Як Дан пояснив у відео, «функція активації» — це функція, яку застосовують у кожному вузлі. Вона перетворює вхід вузла на деякий вихід.

Функція виправленої лінійної активації (ReLU) демонструє дуже високу ефективність мереж. Ця функція приймає одне число на вході: повертає 0, якщо вхід від'ємний, і повертає сам вхід, якщо він додатний.

Ось кілька прикладів:
relu(3) = 3
relu(-3) = 0

Ця вправа є частиною курсу

Вступ до Deep Learning у Python

Переглянути курс

Інструкції до вправи

Доповніть визначення функції relu():
- Використайте функцію max(), щоб обчислити значення виходу relu().
Застосуйте relu() до node_0_input, щоб обчислити node_0_output.
Застосуйте relu() до node_1_input, щоб обчислити node_1_output.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

def relu(input):
    '''Define your relu activation function here'''
    # Calculate the value for the output of the relu function: output
    output = max(____, ____)
    
    # Return the value just calculated
    return(output)

# Calculate node 0 value: node_0_output
node_0_input = (input_data * weights['node_0']).sum()
node_0_output = ____

# Calculate node 1 value: node_1_output
node_1_input = (input_data * weights['node_1']).sum()
node_1_output = ____

# Put node values into array: hidden_layer_outputs
hidden_layer_outputs = np.array([node_0_output, node_1_output])

# Calculate model output (do not apply relu)
model_output = (hidden_layer_outputs * weights['output']).sum()

# Print model output
print(model_output)

Редагувати та запускати код