Gancho: dez linhas que treinam um leitor de dígitos
Por que isso importa No Módulo 3 você escreveu cada gradiente à mão. Redes reais têm dezenas de tipos de camada; ninguém deriva isso à mão toda vez. Um motor de autograd faz isso por você, e ao final deste módulo você terá escrito um.
As primeiras linhas importam o motor finalizado que você está prestes a construir (ele fica fora de vista, então as próximas lições continuam sendo suas para resolver). Olhe para as dez linhas após os dados: elas constroem uma rede, e a treinam em dígitos, e em nenhum lugar elas mencionam uma fórmula de gradiente. loss.backward() resolve todas elas.
Chame a Curve primeiro: chute a média da perda de treinamento após a epoch 1 e após a epoch 10.
Autograd: diferenciação automática. Você escreve apenas o cálculo forward; o motor o registra e calcula cada gradiente executando a regra da cadeia de trás para frente.
Palavras e símbolos nesta lição
- autograd
- gradientes automáticos: você escreve o forward pass, o motor faz o backward
- Tensor
- Aqui: um array mais seu gradiente mais os Tensors de onde ele veio
- zero_grad
- redefinindo os gradientes antes do próximo passo, porque o backward adiciona a eles
Preencha my_guess, depois execute. Leia as dez linhas de treinamento e note o que está faltando.
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.