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 downhillDois 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.
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.
Este navegador está bloqueando cookies para learn.floati.life, então as lições que você terminou aqui não podem abrir em ordem. Permita cookies para este site e recarregue.