Temario Lección 106 de 250 · Intuición de redes neuronales, LLM y proyecto final de IA
Intuición de redes neuronales, LLM y proyecto final de IA

Entrena un modelo con tu motor

Construiste el motor de autograd. Ahora úsalo para aprender de verdad, el bucle que entrena todas las redes neuronales. La clase Value ya está hecha (ahora también envuelve números normales, así que w * x funciona cuando x es un float). Tu trabajo es el bucle de entrenamiento.

Ajusta un único peso w para que w * x prediga y. Un paso de descenso de gradiente son siempre los mismos movimientos:

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

Dos errores fáciles: poner a cero el gradiente antes de cada backward(), o los gradientes antiguos se acumulan (backward usa +=); y restar lr * w.grad para ir cuesta abajo, no sumarlo. Con suficientes pasos, w se desliza hasta el valor que minimiza la pérdida, la recta que mejor se ajusta.

Escribe fit(xs, ys, steps, lr) empezando con w = Value(0.0), y devuelve el w.data final. Pulsa Ejecutar para verlo aprender y = 2x.

Tu turno

Escribe fit(xs, ys, steps, lr), que ajusta un peso w (empieza en Value(0.0)) por descenso de gradiente para que w * x prediga y. En cada paso: construye loss como la suma de los errores al cuadrado con operaciones de Value, asigna w.grad = 0.0, llama a loss.backward() y luego w.data -= lr * w.grad. Devuelve el w.data final. La clase Value ya está hecha.

¿Has visto un problema en esta lección? Avísanos · Preguntar sobre esta lección

Este ejercicio se abre pronto

Termina la lección anterior y esta se desbloquea. Todo el curso es gratis, no hace falta cuenta, y puedes leer esta lección ahora mismo.