编写前向传播算法
在本练习中，您将为第一个神经网络编写代码来完成前向传播（预测）：
每个数据点对应一位用户。第一个输入是他们拥有的账户数量，第二个输入是他们拥有的子女数量。模型将预测该用户在下一年发生的交易次数。您将在本课程的前 2 章中持续使用这份数据。
输入数据已预先加载为 input_data，权重保存在名为 weights 的字典中。隐藏层中第一个节点的权重数组位于 weights['node_0']，
隐藏层中第二个节点的权重数组位于 weights['node_1']。
传入输出节点的权重位于 weights['output']。
所有练习中都已为您预先导入 NumPy 为 np。
本练习是课程的一部分
Python 深度学习入门
练习说明
- 通过将
input_data与其对应权重weights['node_0']做逐元素相乘并求和，计算节点 0 的值。这是隐藏层中的第 1 个节点。 - 使用
input_data和weights['node_1']计算节点 1 的值。这是隐藏层中的第 2 个节点。 - 将隐藏层的两个值放入一个数组中。此步骤已为您完成。
- 通过将
hidden_layer_outputs与weights['output']做逐元素相乘并求和，生成预测值。 - 点击 "提交答案" 以打印输出！
交互式实操练习
通过完成这段示例代码来试试这个练习。
# Calculate node 0 value: node_0_value
node_0_value = (____ * ____).____
# Calculate node 1 value: node_1_value
node_1_value = ____
# Put node values into array: hidden_layer_outputs
hidden_layer_outputs = np.array([node_0_value, node_1_value])
# Calculate output: output
output = ____
# Print output
print(output)