用程式實作：權重變動如何影響準確度
現在你要在一個真實的網路裡調整權重，並觀察它們如何影響模型準確度！
先看看這個神經網路：
其權重已預先載入為 weights_0。你在本練習的任務是只更新 weights_0 中的「一個」權重，產生 weights_1，使預測結果完美（也就是預測值等於 target_actual：3）。
必要時可用紙筆嘗試不同的組合。你會使用 predict_with_network() 函式，它的第一個參數是資料陣列，第二個參數是權重。
本練習屬於課程
Python 深度學習入門
練習說明
- 建立名為
weights_1的權重字典，將weights_0中的「1」個權重做修改（你只需要對weights_0做 1 次編修即可得到完美預測）。 - 使用
predict_with_network()函式，搭配input_data與weights_1，取得新的預測結果。 - 以
model_output_1減去target_actual，計算新權重下的誤差。 - 按下「Submit Answer」查看誤差如何比較！
動手互動練習
試著完成這個範例程式碼，體驗一下這個練習。
# 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)