Motorunla Bir Model Eğit
Otomatik türev motorunu kurdun. Şimdi onu gerçekten öğrenmek için kullan, her sinir ağını eğiten döngü. Value sınıfı verildi (artık düz sayıları da sarıyor, yani x bir float olduğunda w * x çalışır). Senin işin eğitim döngüsü.
w * x y'yi tahmin etsin diye tek bir w ağırlığı uydur. Gradyan inişinin bir adımı her zaman aynı hamlelerdir:
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 downhillİki kolay hata: her backward()'dan önce gradyanı sıfırla, yoksa eski gradyanlar birikir (backward += kullanır); ve yokuş aşağı gitmek için lr * w.grad'ı ekleme, çıkar. Yeterince adımda w kaybı en aza indiren değere, en iyi uyum doğrusuna kayar.
w = Value(0.0)'dan başlayıp son w.data'yı döndüren fit(xs, ys, steps, lr)'yi yaz. y = 2x'i öğrenmesini izlemek için Çalıştır'a bas.
w * x'in y tahmin etmesi için w ağırlığına (Value(0.0) başlangıç) uygun fit(xs, ys, steps, lr)'yi gradyan inişi ile yaz. Her adımda: Value işlemleriyle toplam kare hatası olarak loss'yi oluştur, w.grad = 0.0, loss.backward() ve sonra w.data -= lr * w.grad'yi ayarla. Nihai w.data'yi döndür. Value sınıfı sağlanmıştır.
Bu derste bir sorun mu fark ettin? Bildir · Bu ders hakkında soru sor
Bu alıştırma yakında açılacak
Bu dersi bitirince bu ders açılacak. Kursun tamamı ücretsiz, hesap gerekmiyor ve bu dersi hemen şimdi okuyabilirsin.
Bu tarayıcı learn.floati.life için çerezleri engelliyor, bu yüzden burada bitirdiğin dersler sırasıyla açılamıyor. Bu site için çerezlere izin ver ve sayfayı yenile.