Codierung, wie Gewichtsveränderungen die Genauigkeit beeinflussen
Jetzt kannst du die Gewichte in einem echten Netzwerk ändern und sehen, wie sie sich auf die Modellgenauigkeit auswirken!
Schau dir mal das folgende neuronale Netzwerk an:
Die Gewichte sind schon als „ weights_0 ” gespeichert. Deine Aufgabe in dieser Übung ist es, ein einzelnes Gewicht in „ weights_0 ” zu aktualisieren, um „ weights_1 ” zu erstellen, das eine perfekte Vorhersage liefert (bei der der vorhergesagte Wert gleich „ target_actual ” ist: 3).
Probier verschiedene Kombinationen aus, nimm dir dazu ruhig Stift und Papier zur Hilfe. Du wirst die Funktion „ predict_with_network() “ benutzen, die als erstes Argument ein Datenarray und als zweites Argument Gewichte nimmt.
Diese Übung ist Teil des Kurses
Einführung in Deep Learning mit Python
Anleitung zur Übung
- Mach ein Wörterbuch mit Gewichten namens „
weights_1”, wo du 1 Gewicht aus „weights_0” geändert hast (du musst nur 1 Änderung an „weights_0” vornehmen, um die perfekte Vorhersage zu generieren). - Hol dir Vorhersagen mit den neuen Gewichten über die Funktion „
predict_with_network()“ mit „input_data“ und „weights_1“. - Berechne den Fehler für die neuen Gewichte, indem du „
target_actual“ von „model_output_1“ abziehst. - Klick auf „Antwort senden“, um zu sehen, wie die Fehler im Vergleich aussehen!
Interaktive Übung
Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.
# 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)