Coder l'effet des changements de poids sur la précision

Vous allez maintenant modifier des poids dans un réseau réel et voir comment cela influence la précision du modèle!

Examinez le réseau de neurones suivant: Ch2Ex4

Ses poids ont été préchargés dans weights_0. Votre tâche dans cet exercice est de mettre à jour un seul poids de weights_0 pour créer weights_1, ce qui produit une prédiction parfaite (où la valeur prédite est égale à target_actual : 3).

Au besoin, utilisez crayon et papier pour tester différentes combinaisons. Vous utiliserez la fonction predict_with_network(), qui prend un tableau de données comme premier argument et les poids comme deuxième argument.

Cette activité fait partie du cours

Introduction à Deep Learning en Python

Voir le cours

Instructions de l’exercice

Créez un dictionnaire de poids nommé weights_1 dans lequel vous avez modifié 1 poids de weights_0 (une seule modification à weights_0 suffit pour obtenir la prédiction parfaite).
Obtenez des prédictions avec les nouveaux poids en utilisant la fonction predict_with_network() avec input_data et weights_1.
Calculez l'erreur pour les nouveaux poids en soustrayant target_actual de model_output_1.
Cliquez sur "Soumettre la réponse" pour voir comment les erreurs se comparent!

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# 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)

Modifier et exécuter le code