用代码探索权重变化如何影响准确率

现在，您将亲自修改真实网络中的权重，并观察这如何影响模型的准确率！

看看下面的神经网络： Ch2Ex4

其权重已作为 weights_0 预先加载。您在本练习中的任务是仅更新 weights_0 中的一个权重，得到 weights_1，使其产生完美预测（预测值等于 target_actual：3）。

如有需要，可用纸笔尝试不同的组合。您将使用 predict_with_network() 函数，它以数据数组为第一个参数、以权重为第二个参数。

本练习是课程的一部分

Python 深度学习入门

查看课程

练习说明

创建名为 weights_1 的权重字典，其中将 weights_0 中的1个权重改动（只需对 weights_0 做 1 处修改即可得到完美预测）。
使用 predict_with_network() 函数，传入 input_data 和 weights_1，用新权重获取预测结果。
通过用 model_output_1 减去 target_actual 来计算新权重的误差。
点击 "Submit Answer" 查看误差的对比！

交互式实操练习

通过完成这段示例代码来试试这个练习。

# 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)

编辑并运行代码