Addestra un modello con il tuo motore
Hai costruito il motore autograd. Ora usalo per imparare davvero, il ciclo che addestra ogni rete neurale. La classe Value è data (ora avvolge anche i numeri semplici, quindi w * x funziona quando x è un float). Il tuo compito è il ciclo di addestramento.
Adatta un singolo peso w in modo che w * x preveda y. Un passo di discesa del gradiente è sempre fatto delle stesse mosse:
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 downhillDue errori facili: azzera il gradiente prima di ogni backward() altrimenti i vecchi gradienti si accumulano (backward usa +=); e sottrai lr * w.grad per scendere, non sommarlo. Con abbastanza passi w scivola verso il valore che minimizza la perdita, la retta che si adatta meglio.
Scrivi fit(xs, ys, steps, lr) partendo da w = Value(0.0), e restituisci il w.data finale. Premi Run per guardarlo imparare y = 2x.
Scrivi fit(xs, ys, steps, lr) che adatta un peso w (parti da Value(0.0)) con la discesa del gradiente in modo che w * x preveda y. A ogni passo: costruisci loss come somma degli errori quadratici con operazioni di Value, assegna w.grad = 0.0, loss.backward(), poi w.data -= lr * w.grad. Restituisci il w.data finale. La classe Value è fornita.
Hai notato un problema in questa lezione? Segnalalo · Chiedi qualcosa su questa lezione
Questo esercizio si apre presto
Finisci la lezione precedente e questa si sblocca. L'intero corso è gratuito, senza account, e puoi leggere questa lezione subito.
Questo browser blocca i cookie per learn.floati.life, quindi le lezioni che hai finito qui non si possono aprire in ordine. Consenti i cookie per questo sito e ricarica.