将网络应用于多条观测/数据行

现在，您将定义一个名为 predict_with_network() 的函数，用于为多条数据观测生成预测，这些数据已预加载为 input_data。与之前一样，weights 也已预加载。此外，您在上一个练习中定义的 relu() 函数也已预加载。

本练习是课程的一部分

Python 深度学习入门

查看课程

练习说明

定义一个名为 predict_with_network() 的函数，接受两个参数 input_data_row 和 weights，并返回该网络的预测结果。
计算每个节点的输入值和输出值，分别存为：node_0_input、node_0_output、node_1_input 和 node_1_output。
- 计算节点的输入值时，将相关的数组逐元素相乘并求和。
- 计算节点的输出值时，对该节点的输入值应用 relu() 函数。
通过与计算节点输入与输出相同的方式，计算 input_to_final_layer 和 model_output，得到模型输出。
使用 for 循环遍历 input_data：
- 使用您的 predict_with_network()，对 input_data 的每一行 input_data_row 生成预测。将每个预测追加到 results。

交互式实操练习

通过完成这段示例代码来试试这个练习。

# Define predict_with_network()
def predict_with_network(input_data_row, weights):

    # Calculate node 0 value
    node_0_input = ____
    node_0_output = ____

    # Calculate node 1 value
    node_1_input = ____
    node_1_output = ____

    # Put node values into array: hidden_layer_outputs
    hidden_layer_outputs = np.array([node_0_output, node_1_output])
    
    # Calculate model output
    input_to_final_layer = ____
    model_output = ____
    
    # Return model output
    return(model_output)

# Create empty list to store prediction results
results = []
for input_data_row in input_data:
    # Append prediction to results
    results.append(____)

# Print results
print(results)

编辑并运行代码