Codification de l'impact des variations de poids sur la précision

Vous allez maintenant pouvoir modifier les poids dans un réseau réel et observer leur incidence sur la précision du modèle.

Veuillez examiner le réseau neuronal suivant : Ch2Ex4

Ses poids ont été préchargés sous le nom d'weights_0. Votre tâche dans cet exercice consiste à mettre à jour un seul poids dans weights_0 afin de créer weights_1, qui donne une prédiction parfaite (dans laquelle la valeur prédite est égale à target_actual: 3).

Si nécessaire, veuillez utiliser un stylo et du papier pour tester différentes combinaisons. Vous utiliserez la fonction « predict_with_network() », qui prend un tableau de données comme premier argument et des poids comme deuxième argument.

Cet exercice fait partie du cours

Introduction au Deep Learning avec Python

Afficher le cours

Instructions

Créez un dictionnaire de poids appelé « weights_1 » dans lequel vous avez modifié un poids de « weights_0 » (il vous suffit d'apporter une seule modification à « weights_0 » pour générer la prédiction parfaite).
Obtenez des prédictions avec les nouveaux poids à l'aide de la fonction « predict_with_network() » avec « input_data » et « weights_1 ».
Calculez l'erreur pour les nouveaux poids en soustrayant l'target_actual de l'model_output_1.
Veuillez cliquer sur « Soumettre la réponse » pour comparer les erreurs.

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

# 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