المنهج الدراسي الدرس 106 من 250 · حدس الشبكات العصبية، والنماذج اللغوية الكبيرة، ومشروع التخرج في الذكاء الاصطناعي
حدس الشبكات العصبية، والنماذج اللغوية الكبيرة، ومشروع التخرج في الذكاء الاصطناعي

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 downhill

خطآن 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.

دورك

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.

هل لاحظت مشكلة في هذا الدرس؟ أبلغ عنها · اسأل عن هذا الدرس

سيفتح هذا التمرين قريبا

أنهِ الدرس السابق ليفتح هذا الدرس. الدورة كاملة مجانية، ولا تحتاج إلى حساب، ويمكنك قراءة هذا الدرس الآن.