Täta lager

Introduktion till TensorFlow i Python

Isaiah Hull

Visiting Associate Professor of Finance, BI Norwegian Business School

Den linjära regressionsmodellen

Diagrammet visar en regressionsmodell med två särdrag: civilstånd och ålder. Målet för regressionsmodellen är kreditkortsinnehavarens betalningsstatus.

Vad är ett neuralt nätverk?

Diagrammet visar ett neuralt nätverk med två indata-särdrag: civilstånd och ålder. Målet för det neurala nätverket är kreditkortsinnehavarens betalningsstatus.

Vad är ett neuralt nätverk?

Bilden visar ett mer komplext neuralt nätverk med 10 indata-särdrag, 3 täta dolda lager och ett utdatalager.

Ett tätt lager tillämpar vikter på alla noder från föregående lager.

Ett enkelt tätt lager

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])

Ett enkelt tätt lager

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

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

Diagrammet visar ett tätt lager som tar två indatanoder och producerar en utdata.

Definiera en komplett modell

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)

Definiera en komplett modell

# 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)

Diagrammet visar ett tätt lager som tar två indatanoder och producerar en utdata.

Högnivå- kontra lågnivåmetod

Högnivåmetod
- Operationer med högnivå-API

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

Lågnivåmetod
- Linjäralgebraiska operationer

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

Nu kör vi en övning!

Introduktion till TensorFlow i Python