Yokuş aşağı yürümek (elle gradyan inişi)
Neden önemli Ağırlıkları elle seçmek bir milyon ağırlığa ölçeklenmez. Gradyan her ağırlığa aynı anda yokuş aşağının hangi yönde olduğunu söyler.
Adını koy
L = mean((X @ w + b - y) kare) kaybı için w1'i it, L 2 * mean(error * x1) kadar değişir, burada error tahmin eksi gerçektir. Bu, L'nin w1'e göre türevidir. Hepsi birden: grad_w = 2 * X.T @ error / n, ve grad_b = 2 * mean(error).
Düz sözlerle oku
Büyüklüğü fazla olan evlerde tahminler çok yüksekse (error pozitif), w1'i düşürmek işe yarar, ve w1'in gradyanı pozitiftir, bu yüzden onu çıkarırız. Her adım: w = w - lr * grad_w, burada öğrenme oranı lr adım boyunu belirler.
Gradyan inişi: "gradyanı hesapla, ona karşı küçük bir adım at" işlemini tekrarlamak. Öğrenme oranı: her adımın boyu.
Eğriyi Tahmin Et
Eğitimini çalıştırmadan önce 0, 10, 50 ve 200. adımlardaki kaybı my_guess içinde tahmin et. Kod tahminini gerçeğin yanında yazdırır.
Özet Gradyan, ona karşı adım, tekrar.
Bu dersteki kelimeler ve semboller
- ağırlıklar (w, W), sapma (b)
- bir nöronun öğrendiği sayılar; sapma çıktısını kaydırır
- öğrenme oranı (lr)
- her eğitim adımının ne kadar büyük olduğu
(grad_w, grad_b) döndüren gradients(X, y, w, b) yaz, ve sıfırlardan başlayıp (w, b, losses) döndüren train(X, y, lr, steps) yaz; burada losses her adımdan önceki kaybı tutar. Önce my_guess doldur. Eğitilmiş kayıp, lr 0.5 ve başlangıç kodunun istediği 201 adımla 0.01'in altında bitmeli.
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.