Le lecteur de chiffres, sur ton propre moteur
Pourquoi c'est important Le même réseau qu'au module 3, mais maintenant aucune formule de gradient n'apparaît dans ton code d'entraînement. Obtenir la même justesse prouve que ton moteur est juste. Linear se déverrouille dans la bibliothèque du cours après cette leçon.
La boucle d'entraînement est celle de la leçon d'accroche. Cette fois, tu l'écris toi-même.
Mots et symboles de cette leçon
- Tensor
- ici : un tableau plus son gradient plus les Tensors dont il vient
- zero_grad
- remettre les gradients à zéro avant l'étape suivante, parce que la passe arrière y ajoute
Écris train(X, y, epochs, lr, seed) qui renvoie un MLP([64, 64, 10]) entraîné, en n'utilisant que ton moteur (aucun gradient écrit à la main), et predict(net, X). Atteins au moins 95 % sur les 397 chiffres mis de côté.
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.