开始使用免费开始使用

定义模型和损失函数

在本练习中，您将训练一个神经网络来预测信用卡持有人是否会违约。用于训练网络的特征和目标已在 Python shell 中提供，分别为 borrower_features 和 default。您已在上一个练习中定义了权重和偏置。

注意，predictions 层被定义为 $\sigma(layer1*w2+b2)\(，其中 \)\sigma$ 是 sigmoid 激活函数，layer1 是第一层全连接隐藏层的张量节点，w2 是权重张量，b2 是偏置张量。

可训练变量为 w1、b1、w2 和 b2。另外，以下操作已为您导入：keras.activations.relu() 和 keras.layers.Dropout()。

本练习是课程的一部分

Python 中的 TensorFlow 入门

查看课程

练习说明

  • 对第一层应用修正线性单元激活函数。
  • 对 layer1 应用 25% 的 dropout。
  • 将目标 targets 与预测值 predictions 按顺序传入交叉熵损失函数。

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 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(____, ____)
编辑并运行代码