ПочатиПочніть безкоштовно

Використання операції dense-шару

Ми вже бачили, як визначати dense-шари в tensorflow, використовуючи лінійну алгебру. У цій вправі ми пропустимо лінійну алгебру і дозволимо keras розібратися з деталями. Це дасть змогу побудувати наведену нижче мережу з 2 прихованими шарами та 10 ознаками, використавши менше коду, ніж знадобилося для мережі з 1 прихованим шаром і 3 ознаками.

This image depicts an neural network with 10 inputs nodes and 1 output node.

Щоб побудувати цю мережу, нам потрібно визначити три dense-шари. Кожен шар приймає попередній як вхід, множить його на ваги та застосовує функцію активації. Зауважте, що вхідні дані вже визначено й доступні як тензор 100x10: borrower_features. Крім того, доступний модуль keras.layers.

Ця вправа є частиною курсу

Вступ до TensorFlow на Python

Переглянути курс

Інструкції до вправи

  • Задайте dense1 як dense-шар із 7 вихідними вузлами та сигмоїдальною функцією активації.
  • Визначте dense2 як dense-шар із 3 вихідними вузлами та сигмоїдальною функцією активації.
  • Визначте predictions як dense-шар з 1 вихідним вузлом та сигмоїдальною функцією активації.
  • Виведіть форми dense1, dense2 і predictions у такому порядку за допомогою методу .shape. Чому кожен із цих тензорів має 100 рядків?

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# Define the first dense layer
dense1 = keras.layers.Dense(____, activation='____')(borrower_features)

# Define a dense layer with 3 output nodes
dense2 = ____

# Define a dense layer with 1 output node
predictions = ____

# Print the shapes of dense1, dense2, and predictions
print('\n shape of dense1: ', dense1.shape)
print('\n shape of dense2: ', ____.shape)
print('\n shape of predictions: ', ____.shape)
Редагувати та запускати код