定義模型與損失函式
在這個練習中，你將訓練一個神經網路，用來預測信用卡持有人是否會違約。你要用來訓練網路的特徵與目標，已在 Python 互動環境中提供為 borrower_features 與 default。你已在前一個練習中定義好權重與偏差。
請注意，predictions 層被定義為 $\sigma(layer1*w2+b2)\(，其中 \)\sigma$ 是 sigmoid 啟用函式，layer1 是第一個隱藏全連接層的節點張量，w2 是權重張量，b2 是偏差張量。
可訓練變數為 w1、b1、w2 和 b2。此外，以下操作已為你匯入：keras.activations.relu() 與 keras.layers.Dropout()。
本練習屬於課程
Python 的 TensorFlow 入門
練習說明
- 對第一層套用修正線性單元（ReLU）啟用函式。
- 對
layer1套用 25% 的 dropout。 - 將目標
targets與預測值predictions傳入交叉熵損失函式。
動手互動練習
試著完成這個範例程式碼，體驗一下這個練習。
# Define the model
def model(w1, b1, w2, b2, features = borrower_features):
# Apply relu activation functions to layer 1
layer1 = keras.activations.____(matmul(features, w1) + b1)
# Apply dropout rate of 0.25
dropout = keras.layers.Dropout(____)(____)
return keras.activations.sigmoid(matmul(dropout, w2) + b2)
# Define the loss function
def loss_function(w1, b1, w2, b2, features = borrower_features, targets = default):
predictions = model(w1, b1, w2, b2)
# Pass targets and predictions to the cross entropy loss
return keras.losses.binary_crossentropy(____, ____)