درب نموذجاً باستخدام محركك
لقد بنيت محرك autograd. استخدمه الآن لتعلم learn، وهي الحلقة التي تدرب كل neural network. تم تقديم فئة Value (وهي الآن تغلف الأرقام العادية أيضاً، لذا يعمل w * x عندما يكون x من نوع float). مهمتك هي حلقة التدريب.
طابِق وزناً واحداً w بحيث يتنبأ w * x بـ y. خطوة واحدة من الانحدار التدرجي هي دائماً الحركات نفسها:
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 downhillخطآن سهلان: تصفير الـ gradient قبل كل backward() أو تتراكم الـ gradients القديمة (backward يستخدم +=)؛ وطرح lr * w.grad للنزول لأسفل، وليس الجمع. عبر خطوات كافية w ينزلق إلى القيمة التي تقلل الـ loss، خط أفضل مطابقة.
اكتب fit(xs, ys, steps, lr) بدءا من w = Value(0.0)، وأرجع w.data النهائي. اضغط Run لمشاهدته يتعلم y = 2x.
اكتب fit(xs, ys, steps, lr) الذي يناسب وزن w (ابدأ بـ Value(0.0)) باستخدام gradient descent لكي يتنبأ w * x بـ y. في كل خطوة: ابنِ loss كـ summed squared error مع عمليات Value، ثم حدد w.grad = 0.0 و loss.backward()، وبعد ذلك w.data -= lr * w.grad. أعد w.data النهائي. تم توفير فئة Value.
سيفتح هذا التمرين قريبا
أنهِ الدرس السابق ليفتح هذا الدرس. الدورة كاملة مجانية، ولا تحتاج إلى حساب، ويمكنك قراءة هذا الدرس الآن.
يقوم هذا المتصفح بحظر ملفات تعريف الارتباط لـ learn.floati.life، لذا لا يمكن فتح الدروس التي أنهيتها هنا بالترتيب. اسمح بملفات تعريف الارتباط لهذا الموقع وأعد التحميل.