آموزش یک مدل با موتور شما
شما موتور اتوگراد را ساختید. اکنون از آن برای یادگیری واقعی، حلقهای که هر شبکه عصبی را آموزش میدهد، استفاده کنید. Value کلاس داده میشود (اکنون اعداد ساده را نیز در بر میگیرد، بنابراین w * x کار میکند وقتی x یک عدد اعشاری است). وظیفه شما حلقه آموزش است.
یک وزن منفرد را برازش کنید w تا w * x پیشبینی میکند y. یک گام از شیبنزول همیشه شامل همین جابهجاییهاست:
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 downhillدو اشتباه ساده: صفر کردن گرادیان قبل از هر backward() یا شیبهای قدیمی انباشته میشوند (backward استفاده میکند +=)؛ و تفریق lr * w.grad برای کاهش، نه افزودن. پس از تعداد کافی گامها w به سمت مقداری که زیان را به حداقل میرساند، یعنی خط بهترین برازش، سر میخورد.
تابع fit(xs, ys, steps, lr) را از w = Value(0.0)، که مقدار نهایی را بازمیگرداند w.data. دکمه Run را فشار دهید تا یادگیری آن را مشاهده کنید y = 2x.
نوشتن fit(xs, ys, steps, lr) که با وزنی مطابقت دارد w (شروع Value(0.0)) با شیبنزولی بنابراین w * x پیشبینی میکند y. در هر گام: بساز loss بهعنوان خطای مربعات جمعشده با Value عملیات، تنظیم w.grad = 0.0, loss.backward()، سپس w.data -= lr * w.grad. مقدار نهایی را بازگردانید w.data. The Value کلاس فراهم شده است.
مشکلی در این درس دیدید؟ گزارشش کنید · دربارهٔ این درس بپرسید
این تمرین بهزودی باز میشود
درس پیش از آن را تمام کنید تا این یکی باز شود. کل دوره رایگان است، حساب کاربری لازم نیست، و میتوانید همین الان این درس را بخوانید.
این مرورگر کوکیهای learn.floati.life را مسدود میکند، پس درسهایی که اینجا تمام کردید نمیتوانند به ترتیب باز شوند. کوکیها را برای این سایت مجاز کنید و صفحه را دوباره بارگذاری کنید.