Framåtpropagering

Introduktion till djupinlärning i Python

Dan Becker

Data Scientist and contributor to Keras and TensorFlow libraries

Exempel: banktransaktioner

Gör förutsägelser baserade på:
- Antal barn
- Antal befintliga konton

Framåtpropagering

ch1_2.007.png

Framåtpropagering

ch1_2.008.png

Framåtpropagering

ch1_2.009.png

Framåtpropagering

ch1_2.010.png

Framåtpropagering

ch1_2.011.png

Framåtpropagering

ch1_2.012.png

Framåtpropagering

ch1_2.013.png

Framåtpropagering

ch1_2.014.png

Framåtpropagering

ch1_2.015.png

Framåtpropagering

ch1_2.016.png

Framåtpropagering

ch1_2.017.png

Framåtpropagering

ch1_2.018.png

Framåtpropagering

ch1_2.019.png

Framåtpropagering

ch1_2.020.png

Framåtpropagering

ch1_2.021.png

Framåtpropagering

ch1_2.022.png

Framåtpropagering

ch1_2.023.png

Framåtpropagering

ch1_2.024.png

Framåtpropagering

Multiplicera och addera
Skalärprodukt
Framåtpropagering för en datapunkt i taget
Utdata är förutsägelsen för den datapunkten

Kod för framåtpropagering

import numpy as np
input_data = np.array([2, 3])
weights = {'node_0': np.array([1, 1]),
           'node_1': np.array([-1, 1]),
           'output': np.array([2, -1])}
node_0_value = (input_data * weights['node_0']).sum()
node_1_value = (input_data * weights['node_1']).sum()

Kod för framåtpropagering

hidden_layer_values = np.array([node_0_value, node_1_value])

print(hidden_layer_values)

[5, 1]

output = (hidden_layer_values * weights['output']).sum()

print(output)

Nu kör vi en övning!

Introduktion till djupinlärning i Python