Müfredat 250 dersinden 106. · Neural-Net Sezgisi, LLM'ler ve Yapay Zeka Bitirme Projesi
Neural-Net Sezgisi, LLM'ler ve Yapay Zeka Bitirme Projesi

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 downhill

İki 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.

Senin sıran

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.