Train 'n Model met Jou Engine
Jy het die autograd engine gebou. Gebruik dit nou om werklik learn te doen, die loop wat elke neurale netwerk oplei. Die Value klas word verskaf (dit omsluit nou ook gewone getalle, so w * x werk wanneer x 'n float is). Jou werk is die training loop.
Pas 'n enkele gewig w sodat w * x vir y voorspel. Een stap van gradient descent is altyd dieselfde bewegings:
w = Value(0.0)
for step in range(steps):
loss = Value(0.0)
for x, y in zip(xs, ys):
diff = w * x + (-y) # prediction minus target
loss = loss + diff * diff # squared error, summed
w.grad = 0.0 # 1) reset the gradient
loss.backward() # 2) backprop to fill w.grad
w.data -= lr * w.grad # 3) step downhillTwee maklike foute: nul die gradient voor elke backward() of ou gradients stap op (backward gebruik +=); en trek lr * w.grad af om af te daal, nie by te voeg nie. Oor genoeg stappe w skuif na die waarde wat die verlies minimaliseer, die lyn van beste pas.
Skryf fit(xs, ys, steps, lr) wat vanaf w = Value(0.0) begin en die finale w.data teruggee. Druk Run om te sien hoe dit y = 2x leer.
Skryf fit(xs, ys, steps, lr) wat by 'n gewig w (begin Value(0.0)) pas met gradient descent sodat w * x vir y voorspel. Elke stap: bou loss as die gesommagde kwadraatfout met Value opsies, stel w.grad = 0.0, loss.backward(), dan w.data -= lr * w.grad. Gee die finale w.data terug. Die Value klas word verskaf.
Sien jy 'n probleem in hierdie les? Rapporteer dit · Vra oor hierdie les
Hierdie oefening open binnekort
Voltooi die lesie voor dit en hierdie een sal ontvanklik wees. Die hele kursus is gratis, geen rekening nodig nie, en jy kan hierdie les nou lees.
Hierdie blutser blokkeer koekies vir learn.floati.life, so lesse wat jy hier voltooi het kan nie in volgorde oopgaan nie. Laat koekies vir hierdie webwerf toe en laai nuut.