全连接层

Python 中的 TensorFlow 入门

Isaiah Hull

Visiting Associate Professor of Finance, BI Norwegian Business School

线性回归模型

该图展示了一个线性回归模型，含两个特征：婚姻状况与年龄。回归的目标是信用卡借款人的违约状态。

该图展示了一个神经网络，包含两个特征输入：婚姻状况与年龄。网络的目标是信用卡借款人的违约状态。

该图展示了更复杂的神经网络：10 个输入特征、3 个全连接隐藏层和一个输出层。

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)

该示意图展示了一个全连接层，接收两个输入节点并产生一个输出。

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)

该示意图展示了一个全连接层，接收两个输入节点并产生一个输出。

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

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

Python 中的 TensorFlow 入门