Jak změny vah ovlivňují přesnost modelu

Teď si na reálné síti vyzkoušíš, jak změny vah ovlivňují přesnost modelu!

Podívej se na následující neuronovou síť: Ch2Ex4

Její váhy jsou předem načteny jako weights_0. Tvým úkolem je upravit jedinou váhu v weights_0 a vytvořit tak weights_1, která dává dokonalou předpověď (kde předpovězená hodnota se rovná target_actual: 3).

Klidně si vezmi tužku a papír a experimentuj s různými kombinacemi. Použiješ funkci predict_with_network(), která jako první argument přijímá pole dat a jako druhý argument váhy.

Toto cvičení je součástí kurzu

Úvod do deep learningu v Pythonu

Zobrazit kurz

Pokyny k cvičení

Vytvoř slovník vah s názvem weights_1, ve kterém změníš 1 váhu oproti weights_0 (stačí provést 1 úpravu weights_0 pro dosažení dokonalé předpovědi).
Získej předpovědi s novými vahami pomocí funkce predict_with_network() s argumenty input_data a weights_1.
Vypočítej chybu pro nové váhy odečtením target_actual od model_output_1.
Klikni na 'Submit Answer' a porovnej chyby!

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# The data point you will make a prediction for
input_data = np.array([0, 3])

# Sample weights
weights_0 = {'node_0': [2, 1],
             'node_1': [1, 2],
             'output': [1, 1]
            }

# The actual target value, used to calculate the error
target_actual = 3

# Make prediction using original weights
model_output_0 = predict_with_network(input_data, weights_0)

# Calculate error: error_0
error_0 = model_output_0 - target_actual

# Create weights that cause the network to make perfect prediction (3): weights_1
weights_1 = {'node_0': [____, ____],
             'node_1': [____, ____],
             'output': [____, ____]
            }

# Make prediction using new weights: model_output_1
model_output_1 = ____

# Calculate error: error_1
error_1 = ____ - ____

# Print error_0 and error_1
print(error_0)
print(error_1)

Upravit a spustit kód