現在你要來查看這個模型的權重。特別注意模型的最後一個權重。這個權重會把預測的分差轉換成預測的勝率。如果你把預測的分差乘上模型最後一個權重，然後再套用 sigmoid 函式，就會得到這場比賽的勝率。
本練習屬於課程
試著完成這個範例程式碼，體驗一下這個練習。
# Print the model weights print(____) # Print the training data means print(____)
在本章中，你會熟悉 Keras Functional API 的基礎。你將用 Functional 組件建立一個簡單的功能式網路，將模型擬合到資料，並進行預測。
在本章中，你將建立雙輸入網路，利用類別嵌入表示高基數資料，以共享層定義可重複使用的組件，並用合併層將多個輸入匯聚為單一輸出。完成本章後，你將具備設計具複雜資料流的神經網路所需的基礎積木。
在本章中，你會將 2 輸入模型擴展為 3 輸入，並學習使用 Keras 的摘要與繪圖函式來理解神經網路的參數與拓樸。章末你將了解如何把 2 輸入模型擴展到 3 輸入與更高。
在本章中，你將建立具有多重輸出的神經網路，可用於解決具有多個目標的迴歸問題。你也會建立一個同時解決迴歸與分類問題的模型。
當前練習