Cách tiếp cận cấp thấp với nhiều ví dụ
Trong bài tập này, bạn sẽ củng cố trực giác về cách tiếp cận cấp thấp bằng cách xây dựng lớp ẩn dày đặc (dense) đầu tiên cho trường hợp có nhiều ví dụ. Giả sử mô hình đã được huấn luyện và đã có sẵn trọng số của lớp đầu tiên, weights1, và độ lệch, bias1. Sau đó, bạn sẽ nhân ma trận tensor borrower_features với biến weights1. Nhớ rằng tensor borrower_features bao gồm trình độ học vấn, tình trạng hôn nhân và tuổi. Cuối cùng, bạn sẽ áp dụng hàm sigmoid lên các phần tử của products1 + bias1 để thu được dense1.
\(products1 = \begin{bmatrix} 3 & 3 & 23 \\ 2 & 1 & 24 \\ 1 & 1 & 49 \\ 1 & 1 & 49 \\ 2 & 1 & 29 \end{bmatrix} \begin{bmatrix} -0.6 & 0.6 \\ 0.8 & -0.3 \\ -0.09 & -0.08 \end{bmatrix}\)
Lưu ý rằng matmul() và keras() đã được import từ tensorflow.
Bài tập này là một phần của khóa học
Nhập môn TensorFlow bằng Python
Hướng dẫn bài tập
- Tính
products1bằng cách nhân ma trận tensor đặc trưng với trọng số. - Dùng hàm kích hoạt sigmoid để biến đổi
products1 + bias1. - In ra shape của
borrower_features,weights1,bias1, vàdense1.
Bài tập tương tác thực hành trực tiếp
Hãy thử làm bài tập này bằng cách hoàn thành đoạn mã mẫu này.
# 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)