Programmare come le variazioni dei pesi influiscono sull'accuratezza

Ora potrai modificare i pesi in una rete reale e vedere come influiscono sull'accuratezza del modello!

Dai un'occhiata alla seguente rete neurale: Ch2Ex4

I suoi pesi sono stati precaricati come weights_0. Il tuo compito in questo esercizio è aggiornare un singolo peso in weights_0 per creare weights_1, che produca una previsione perfetta (in cui il valore previsto è uguale a target_actual: 3).

Se necessario, usa carta e penna per sperimentare con combinazioni diverse. Userai la funzione predict_with_network(), che accetta un array di dati come primo argomento e i pesi come secondo argomento.

Questo esercizio fa parte del corso

Introduzione al Deep Learning in Python

Visualizza corso

Istruzioni dell'esercizio

Crea un dizionario di pesi chiamato weights_1 in cui hai modificato 1 peso rispetto a weights_0 (Ti basta un'unica modifica a weights_0 per ottenere la previsione perfetta).
Ottieni le previsioni con i nuovi pesi usando la funzione predict_with_network() con input_data e weights_1.
Calcola l'errore per i nuovi pesi sottraendo target_actual da model_output_1.
Premi "Submit Answer" per vedere come si confrontano gli errori!

esercizio interattivo pratico

Prova questo esercizio completando questo codice di esempio.

# 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)

Modifica ed esegui il codice