Entraîne un modèle avec ton moteur
Tu as construit le moteur d'autograd. Maintenant, utilise-le pour vraiment apprendre, la boucle qui entraîne tout réseau de neurones. La classe Value est fournie (elle enveloppe maintenant aussi les nombres simples, donc w * x marche quand x est un float). Ton travail, c'est la boucle d'entraînement.
Ajuste un seul poids w pour que w * x prédise y. Un pas de descente de gradient, c'est toujours les mêmes gestes :
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 downhillDeux erreurs faciles : remets le gradient à zéro avant chaque backward(), sinon les anciens gradients s'empilent (backward utilise +=) ; et soustrais lr * w.grad pour descendre, n'ajoute pas. Sur assez de pas, w glisse vers la valeur qui minimise la perte, la droite d'ajustement optimal.
Écris fit(xs, ys, steps, lr) en partant de w = Value(0.0), qui renvoie le w.data final. Appuie sur Run pour le regarder apprendre y = 2x.
Écris fit(xs, ys, steps, lr) qui ajuste un poids w (départ Value(0.0)) par descente de gradient pour que w * x prédise y. À chaque pas : construis loss comme la somme des erreurs au carré avec des opérations Value, écris w.grad = 0.0, loss.backward(), puis w.data -= lr * w.grad. Renvoie le w.data final. La classe Value est fournie.
Tu as repéré un problème dans cette leçon ? Signale-le · Pose une question sur cette leçon
Cet exercice s'ouvre bientôt
Termine la leçon précédente pour débloquer celle-ci. Tout le cours est gratuit, aucun compte n'est requis, et tu peux lire cette leçon dès maintenant.
Ce navigateur bloque les cookies pour learn.floati.life, donc les leçons que tu as terminées ici ne peuvent pas s'ouvrir dans l'ordre. Autorise les cookies pour ce site et recharge la page.