Ağırlık değişimlerinin doğruluğu nasıl etkilediğini kodlama
Şimdi gerçek bir ağda ağırlıkları değiştirecek ve bunun model doğruluğunu nasıl etkilediğini göreceksin!
Şu sinir ağına bir göz at:
Ağırlıkları weights_0 olarak önceden yüklendi. Bu egzersizdeki görevin, weights_0 içindeki tek bir ağırlığı güncelleyerek, mükemmel bir tahmin veren (tahmin edilen değerin target_actual: 3 ile eşit olduğu) weights_1 sözlüğünü oluşturmaktır.
Gerekirse farklı kombinasyonları denemek için kalem ve kâğıt kullan. İlk argüman olarak bir veri dizisi, ikinci argüman olarak da ağırlıkları alan predict_with_network() fonksiyonunu kullanacaksın.
Bu egzersiz
Python ile Deep Learning'e Giriş
kursunun bir parçasıdırEgzersiz talimatları
weights_0içinden 1 ağırlığı değiştirdiğinweights_1adlı bir ağırlık sözlüğü oluştur (Mükemmel tahmini üretmek içinweights_0üzerinde yalnızca 1 düzenleme yapman yeterli).predict_with_network()fonksiyonunuinput_dataveweights_1ile kullanarak yeni ağırlıklarla tahminleri elde et.- Yeni ağırlıklar için hatayı,
model_output_1değerindentarget_actualdeğerini çıkararak hesapla. - Hataların nasıl karşılaştırıldığını görmek için 'Yanıtı Gönder'e bas!
Uygulamalı interaktif egzersiz
Bu örnek kodu tamamlayarak bu egzersizi bitirin.
# 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)