Низькорівневий підхід із кількома прикладами
У цій вправі ви поглибите інтуїцію щодо низькорівневого підходу, побудувавши перший прихований щільний шар для випадку з кількома прикладами. Припустімо, що модель вже натреновано, а ваги першого шару weights1 і зсув bias1 доступні. Потім ми виконаємо множення матриць: тензор borrower_features на змінну weights1. Нагадаємо, тензор borrower_features містить освіту, сімейний стан і вік. Нарешті, ми застосуємо сигмоїдну функцію до елементів products1 + bias1, отримавши dense1.
\(products1 = \begin{bmatrix} 3 & 3 & 23 \\ 2 & 1 & 24 \\ 1 & 1 & 49 \\ 1 & 1 & 49 \\ 2 & 1 & 29 \end{bmatrix} \begin{bmatrix} -0.6 & 0.6 \\ 0.8 & -0.3 \\ -0.09 & -0.08 \end{bmatrix}\)
Зауважте, що matmul() і keras() уже імпортовано з tensorflow.
Ця вправа є частиною курсу
Вступ до TensorFlow на Python
Інструкції до вправи
- Обчисліть
products1, перемноживши матрицею тензор ознак на ваги. - Використайте сигмоїдну функцію активації, щоб перетворити
products1 + bias1. - Виведіть форми
borrower_features,weights1,bias1іdense1.
Інтерактивна практична вправа
Спробуйте виконати цю вправу, доповнивши цей зразок коду.
# Compute the product of borrower_features and weights1
products1 = ____
# Apply a sigmoid activation function to products1 + bias1
dense1 = ____
# Print the shapes of borrower_features, weights1, bias1, and dense1
print('\n shape of borrower_features: ', borrower_features.shape)
print('\n shape of weights1: ', ____.shape)
print('\n shape of bias1: ', ____.shape)
print('\n shape of dense1: ', ____.shape)