Latih Model dengan Engine Kamu
Kamu sudah membangun engine autograd. Sekarang gunakan itu untuk benar-benar belajar, loop yang melatih setiap neural network. Class Value sudah diberikan (sekarang juga membungkus angka biasa, jadi w * x berfungsi saat x adalah float). Tugasmu adalah training loop.
Sesuaikan satu bobot w agar w * x memprediksi y. Satu langkah gradient descent selalu langkah yang sama:
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 downhillDua kesalahan mudah: nolkan gradient sebelum setiap backward() atau gradient lama menumpuk (backward menggunakan +=); dan kurangi lr * w.grad untuk turun, bukan tambah. Setelah cukup banyak langkah w bergeser ke nilai yang meminimalkan loss, garis kecocokan terbaik.
Tulis fit(xs, ys, steps, lr) mulai dari w = Value(0.0), lalu kembalikan w.data terakhir. Tekan Run untuk melihatnya mempelajari y = 2x.
Tulis fit(xs, ys, steps, lr) yang sesuai dengan bobot w (mulai Value(0.0)) dengan gradient descent supaya w * x memprediksi y. Setiap langkah: buat loss sebagai jumlah kuadrat kesalahan dengan operasi Value, atur w.grad = 0.0, loss.backward(), lalu w.data -= lr * w.grad. Kembalikan w.data terakhir. Kelas Value sudah disediakan.
Ada masalah di pelajaran ini? Laporkan · Tanya tentang pelajaran ini
Latihan ini akan segera dibuka
Selesaikan pelajaran sebelumnya agar pelajaran ini terbuka. Seluruh kursus ini gratis, tidak butuh akun, dan kamu bisa baca pelajaran ini sekarang.
Browser ini memblokir cookie untuk learn.floati.life, jadi pelajaran yang sudah kamu selesaikan di sini tidak bisa dibuka berurutan. Izinkan cookie untuk situs ini dan muat ulang.