Para empezar: diez líneas que entrenan un lector de dígitos
Por qué importa En el Módulo 3 escribiste cada gradiente a mano. Las redes reales tienen docenas de tipos de capas; nadie los deriva a mano cada vez. Un motor de autograd lo hace por ti, y al final de este módulo habrás escrito uno.
Las primeras líneas importan el motor terminado que estás a punto de construir (se mantiene fuera de la vista, para que las próximas lecciones las resuelvas tú). Mira las diez líneas que siguen a los datos: construyen una red y la entrenan con dígitos, y en ningún sitio mencionan una fórmula de gradiente. loss.backward() los calcula todos.
Predice la curva primero: adivina la pérdida de entrenamiento media tras la época 1 y tras la época 10.
Autograd: diferenciación automática. Tú escribes solo el cálculo hacia delante; el motor lo graba y calcula cada gradiente aplicando la regla de la cadena hacia atrás.
Palabras y símbolos de esta lección
- autograd
- gradientes automáticos: tú escribes la pasada hacia delante, el motor hace la de hacia atrás
- Tensor
- aquí: un array más su gradiente más los Tensor de los que salió
- zero_grad
- poner a cero los gradientes antes del siguiente paso, porque backward les va sumando
Rellena my_guess, y luego ejecuta. Lee las diez líneas de entrenamiento y fíjate en lo que falta.
¿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.