Ngoding dampak perubahan bobot terhadap akurasi

Sekarang Anda akan mengubah bobot pada jaringan nyata dan melihat bagaimana pengaruhnya terhadap akurasi model!

Perhatikan jaringan saraf berikut: Ch2Ex4

Bobotnya telah dimuat sebelumnya sebagai weights_0. Tugas Anda dalam latihan ini adalah memperbarui satu bobot di weights_0 untuk membuat weights_1, yang menghasilkan prediksi sempurna (di mana nilai prediksi sama dengan target_actual: 3).

Gunakan pena dan kertas bila perlu untuk bereksperimen dengan berbagai kombinasi. Anda akan menggunakan fungsi predict_with_network(), yang menerima array data sebagai argumen pertama, dan bobot sebagai argumen kedua.

Latihan ini adalah bagian dari kursus

Pengantar Deep Learning dengan Python

Lihat Kursus

Petunjuk latihan

Buat kamus bobot bernama weights_1 di mana Anda mengubah 1 bobot dari weights_0 (Anda hanya perlu melakukan 1 perubahan pada weights_0 untuk menghasilkan prediksi sempurna).
Dapatkan prediksi dengan bobot baru menggunakan fungsi predict_with_network() dengan input_data dan weights_1.
Hitung error untuk bobot baru dengan mengurangkan target_actual dari model_output_1.
Tekan 'Kirim Jawaban' untuk melihat perbandingan error!

Latihan interaktif praktis

Cobalah latihan ini dengan menyelesaikan kode contoh berikut.

# 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)

Edit dan Jalankan Kode