Lijsten en lussen over echte data
Waarom dit ertoe doet Een neuraal netwerk bestaat vooral uit lussen over lijsten van getallen. Als je een lijst kunt optellen, filteren en tellen, kun je de meeste trainingscode lezen.
Stel dat je je stappen voor een week hebt bijgehouden: [4200, 8100, 12000, 3000, 9500, 10100, 7600]. Twee vragen die je zou kunnen stellen: hoeveel stappen in totaal, en op hoeveel dagen heb je een doel van 8.000 bereikt?
Bekijk het
A lus bezoekt de items één voor één. Je houdt een lopend nummer bij en update dit bij elke bezoek, zoals een telling op papier.
total = 0
for s in steps: # s is 4200, then 8100, then 12000 ...
total = total + s
Na de eerste bezoek is total 4200, na de tweede 12300, enzovoort.
Lopend totaal: een variabele die je bij nul begint en waar je bij elke beurt door de lus aan toevoegt.
Tellen is hetzelfde idee, behalve dat je alleen 1 optelt wanneer een conditie waar is: if s >= goal: count = count + 1.
Samenvatting Begin met een getal, loop, update het. Dat patroon is hoe een netwerk zijn verlies over een dataset optelt.
Schrijf twee functies:
total_steps(steps)geeft de som van de lijst terug.days_at_goal(steps, goal)geeft terug hoeveel dagen op of bovengoalzijn.
Gebruik een lus voor beide (geen sum()), zodat je het patroon oefent.
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.