Hook: tien regels die een cijferlezer trainen
Waarom dit ertoe doet In Module 3 heb je elke gradient met de hand geschreven. Echte netwerken hebben tientallen soorten lagen; niemand leidt die elke keer met de hand af. Een autograd engine doet dit voor je, en aan het einde van deze module heb je er een geschreven.
De eerste regels importeren de voltooide engine die je gaat bouwen (deze blijft onzichtbaar, zodat de komende lessen voor jou zijn om op te lossen). Kijk naar de tien regels na de data: ze bouwen een netwerk, trainen het op cijfers, en nergens noemen ze een gradiëntformule. loss.backward() berekent ze allemaal.
Roep Curve eerst aan: schat de gemiddelde trainingsverlies na epoch 1 en na epoch 10.
Autograd: automatische differentiatie. Je schrijft alleen de forward berekening; de engine legt dit vast en berekent elke gradiënt door de kettingregel achterwaarts uit te voeren.
Woorden en symbolen in deze les
- autograd
- automatische gradiënten: je schrijft de forward pass, de engine doet de backward
- Tensor
- hier: een array plus zijn gradiënt plus de Tensors waaruit het kwam
- zero_grad
- het resetten van gradiënten voor de volgende stap, omdat backward ze toevoegt
Vul my_guess in, en voer dan uit. Lees de tien trainingsregels en let op wat ontbreekt.
Een probleem ontdekt in deze les? Meld het · Vraag naar deze les
Deze oefening opent binnenkort
Maak de les ervoor af voordat deze wordt ontgrendeld. De hele cursus is gratis, geen account nodig, en je kunt deze les nu lezen.
Deze browser blokkeert cookies voor learn.floati.life, dus lessen die je hier hebt afgerond kunnen niet in de juiste volgorde worden geopend. Sta cookies toe voor deze site en laad de pagina opnieuw.