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 downhillDos 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.
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.
Este navegador está bloqueando las cookies de learn.floati.life, así que las lecciones que terminaste aquí no se pueden abrir en orden. Permite las cookies de este sitio y recarga.