ПочатиПочніть безкоштовно

Визначення моделі та функції втрат

У цій вправі ви навчатимете нейронну мережу передбачати, чи буде дефолт за кредитною карткою. Ознаки та ціль, які ви використаєте для навчання, доступні в оболонці Python як borrower_features і default. Ви визначили ваги та зсуви в попередній вправі.

Зауважте, що шар predictions визначено як \(\sigma(layer1*w2+b2)\), де \(\sigma\) — це сигмоїдна активація, layer1 — тензор вузлів першого прихованого щільного шару, w2 — тензор ваг, а b2 — тензор зсувів.

Навчуваними змінними є w1, b1, w2 і b2. Крім того, для вас вже імпортовано такі операції: keras.activations.relu() і keras.layers.Dropout().

Ця вправа є частиною курсу

Вступ до TensorFlow на Python

Переглянути курс

Інструкції до вправи

  • Застосуйте функцію активації ReLU (прямолінійна виправлена) до першого шару.
  • Застосуйте 25% відсів (dropout) до layer1.
  • Передайте ціль targets і передбачення predictions до функції втрат кросентропії.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# 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(____, ____)
Редагувати та запускати код