Codificación de cómo los cambios de peso afectan a la precisión

¡Ahora podrás cambiar los pesos en una red real y ver cómo afectan a la precisión del modelo!

Echa un vistazo a la siguiente red neuronal: Ch2Ex4

Sus pesos se han precargado como weights_0. Tu tarea en este ejercicio es actualizar un único peso en weights_0 para crear weights_1, que ofrece una predicción perfecta (en la que el valor predicho es igual a target_actual: 3).

Si es necesario, utiliza lápiz y papel para probar diferentes combinaciones. Utilizarás la función « predict_with_network() », que toma un arreglo de datos como primer argumento y los pesos como segundo argumento.

Este ejercicio forma parte del curso

Introducción al aprendizaje profundo en Python

Ver curso

Instrucciones del ejercicio

Crea un diccionario de pesos llamado « weights_1 » en el que hayas cambiado 1 peso de « weights_0 » (solo necesitas hacer 1 edición en « weights_0 » para generar la predicción perfecta).
Obtener predicciones con los nuevos pesos utilizando la función « predict_with_network() » con « input_data » y « weights_1 ».
Calcula el error de los nuevos pesos restando target_actual de model_output_1.
Pulsa «Enviar respuesta» para ver cómo se comparan los errores.

Ejercicio interactivo práctico

Prueba este ejercicio completando el código de muestra.

# 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)

Editar y ejecutar código