Conteúdo do curso Lição 106 de 250 · Intuição de Redes Neurais, LLMs e Conclusão de IA
Intuição de Redes Neurais, LLMs e Conclusão de IA

Treine um Modelo com o seu Engine

Você construiu o motor autograd. Agora use ele para realmente aprender, o laço que treina cada rede neural. A classe Value é fornecida (ela agora também envolve números simples, então w * x funciona quando x é um float). Seu trabalho é o laço de treinamento.

Ajuste um único weight w para que w * x preveja y. Um passo de gradient descent são sempre os mesmos movimentos:

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 downhill

Dois erros fáceis: zerar o gradient antes de cada backward() ou gradientes antigos se acumulam (backward usa +=); e subtrair lr * w.grad para descer, não somar. Em passos suficientes w desliza para o valor que minimiza a perda, a linha de melhor ajuste.

Escreva fit(xs, ys, steps, lr) começando por w = Value(0.0), retornando o w.data final. Aperte Run para ver ele aprender y = 2x.

Sua vez

Escreva fit(xs, ys, steps, lr) que se ajuste a um peso w (comece Value(0.0)) por gradiente descendente para que w * x preveja y. Cada passo: construa loss como o erro quadrático somado com operações Value, defina w.grad = 0.0, loss.backward(), depois w.data -= lr * w.grad. Retorne o w.data final. A classe Value é fornecida.

Viu um problema nesta lição? Reporte-o · Pergunte sobre esta lição

Este exercício abre em breve

Termine a lição anterior para que esta seja desbloqueada. O curso inteiro é gratuito, não precisa de conta, e você pode ler esta lição agora mesmo.