Bắt đầu ngayBắt đầu miễn phí

Sử dụng phép toán dense layer

Bạn đã thấy cách định nghĩa các dense layer trong tensorflow bằng đại số tuyến tính. Trong bài này, chúng ta sẽ bỏ qua phần đại số và để keras xử lý chi tiết. Cách này cho phép bạn xây dựng mạng bên dưới — gồm 2 tầng ẩn và 10 đặc trưng — với ít mã hơn so với mạng chỉ có 1 tầng ẩn và 3 đặc trưng.

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

Để xây dựng mạng này, bạn sẽ cần định nghĩa ba dense layer, mỗi layer nhận đầu vào là layer trước đó, nhân với trọng số và áp dụng một hàm kích hoạt. Lưu ý dữ liệu đầu vào đã được định nghĩa và có sẵn dưới dạng tensor 100x10: borrower_features. Ngoài ra, mô-đun keras.layers cũng đã sẵn sàng.

Bài tập này là một phần của khóa học

Nhập môn TensorFlow bằng Python

Xem khóa học

Hướng dẫn bài tập

  • Đặt dense1 là một dense layer với 7 nút đầu ra và hàm kích hoạt sigmoid.
  • Định nghĩa dense2 là một dense layer với 3 nút đầu ra và hàm kích hoạt sigmoid.
  • Định nghĩa predictions là một dense layer với 1 nút đầu ra và hàm kích hoạt sigmoid.
  • In các shape của dense1, dense2 và predictions theo thứ tự đó bằng phương thức .shape. Tại sao mỗi tensor này lại có 100 hàng?

Bài tập tương tác thực hành trực tiếp

Hãy thử làm bài tập này bằng cách hoàn thành đoạn mã mẫu này.

# 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)
Chỉnh sửa và Chạy Mã