Hur viktändringar påverkar noggrannheten

Nu får du möjlighet att ändra vikter i ett riktigt nätverk och se hur de påverkar modellens noggrannhet!

Ta en titt på följande neurala nätverk: Ch2Ex4

Nätverkets vikter har förhandsladdats som weights_0. Din uppgift i den här övningen är att uppdatera ett enda viktvärde i weights_0 för att skapa weights_1, vilket ger en perfekt prediktion (där det predikterade värdet är lika med target_actual: 3).

Använd papper och penna om det behövs för att testa olika kombinationer. Du kommer att använda funktionen predict_with_network(), som tar en array med data som första argument och vikter som andra argument.

Den här övningen är en del av kursen

Introduktion till djupinlärning i Python

Visa kurs

Övningsinstruktioner

Skapa en dictionary med vikter som du kallar weights_1, där du har ändrat 1 viktvärde från weights_0 (du behöver bara göra 1 ändring i weights_0 för att få en perfekt prediktion).
Beräkna prediktioner med de nya vikterna med hjälp av funktionen predict_with_network() med input_data och weights_1.
Beräkna felet för de nya vikterna genom att subtrahera target_actual från model_output_1.
Klicka på 'Skicka in svar' för att se hur felen skiljer sig åt!

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# 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)

Redigera och kör kod