Dense-lagen

Introductie tot TensorFlow in Python

Isaiah Hull

Visiting Associate Professor of Finance, BI Norwegian Business School

Het lineaire regressiemodel

Het diagram toont een regressiemodel met twee features: burgerlijke staat en leeftijd. De target is of een creditcardhouder in gebreke blijft.

Het diagram toont een neuraal netwerk met twee feature-inputs: burgerlijke staat en leeftijd. De target is of een creditcardhouder in gebreke blijft.

Deze afbeelding toont een complexer neuraal netwerk met 10 inputfeatures, 3 dense verborgen lagen en een outputlaag.

import tensorflow as tf

# Definieer inputs (features)
inputs = tf.constant([[1, 35]])

# Definieer gewichten
weights = tf.Variable([[-0.05], [-0.01]])

# Definieer de bias
bias = tf.Variable([0.5])

# Vermenigvuldig inputs (features) met de gewichten
product = tf.matmul(inputs, weights)

# Definieer dense-laag
dense = tf.keras.activations.sigmoid(product+bias)

Dit diagram toont een dense-laag met twee inputnodes en één output.

import tensorflow as tf

# Definieer inputlaag (features)
inputs = tf.constant(data, tf.float32)

# Definieer eerste dense-laag
dense1 = tf.keras.layers.Dense(10, activation='sigmoid')(inputs)

# Definieer tweede dense-laag
dense2 = tf.keras.layers.Dense(5, activation='sigmoid')(dense1)

# Definieer outputlaag (voorspellingen)
outputs =  tf.keras.layers.Dense(1, activation='sigmoid')(dense2)

Dit diagram toont een dense-laag met twee inputnodes en één output.

dense = keras.layers.Dense(10,\
 activation='sigmoid')

prod = matmul(inputs, weights)
dense = keras.activations.sigmoid(prod)

Introductie tot TensorFlow in Python