Husté vrstvy

Úvod do TensorFlow v Pythonu

Isaiah Hull

Visiting Associate Professor of Finance, BI Norwegian Business School

Model lineární regrese

Diagram znázorňuje regresní model se dvěma příznaky: rodinným stavem a věkem. Cílovou proměnnou je stav splácení kreditní karty.

Diagram znázorňuje neuronovou síť se dvěma vstupními příznaky: rodinným stavem a věkem. Cílovou proměnnou je stav splácení kreditní karty.

Složitější neuronová síť s 10 vstupními příznaky, 3 hustými skrytými vrstvami a výstupní vrstvou.

import tensorflow as tf

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

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

# Define the bias
bias = tf.Variable([0.5])

# Multiply inputs (features) by the weights
product = tf.matmul(inputs, weights)

# Define dense layer
dense = tf.keras.activations.sigmoid(product+bias)

Diagram znázorňuje hustou vrstvu se dvěma vstupními uzly a jedním výstupem.

import tensorflow as tf

# Define input (features) layer
inputs = tf.constant(data, tf.float32)

# Define first dense layer
dense1 = tf.keras.layers.Dense(10, activation='sigmoid')(inputs)

# Define second dense layer
dense2 = tf.keras.layers.Dense(5, activation='sigmoid')(dense1)

# Define output (predictions) layer
outputs =  tf.keras.layers.Dense(1, activation='sigmoid')(dense2)

Diagram znázorňuje hustou vrstvu se dvěma vstupními uzly a jedním výstupem.

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

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

Úvod do TensorFlow v Pythonu