Zlepšování vah modelu

Skvěle! Právě jsi vypočítal/a potřebné gradienty. Teď je čas je využít ke zlepšení modelu. Kdybys váhy o tyto gradienty přímo zvýšil/a, vydal/a by ses správným směrem – ale mohl/a bys zajít příliš daleko. Proto uděláš nejdřív malý krůček pomocí nízké hodnoty learning rate a ověříš, že se model skutečně zlepšuje.

Váhy jsou předem načteny jako weights, skutečná hodnota cíle jako target a vstupní data jako input_data. Predikce z původních vah jsou uloženy jako preds.

Toto cvičení je součástí kurzu

Úvod do deep learningu v Pythonu

Zobrazit kurz

Pokyny k cvičení

Nastav learning rate na 0.01 a vypočítej chybu z původních predikcí. Tato část je již hotová.
Vypočítej aktualizované váhy odečtením součinu learning_rate a slope od weights.
Vypočítej aktualizované predikce vynásobením weights_updated a input_data a jejich součtem.
Vypočítej chybu pro nové predikce a výsledek ulož jako error_updated.
Klikni na 'Submit Answer' a porovnej aktualizovanou chybu s původní!

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Set the learning rate: learning_rate
learning_rate = 0.01

# Calculate the predictions: preds
preds = (weights * input_data).sum()

# Calculate the error: error
error = preds - target

# Calculate the slope: slope
slope = 2 * input_data * error

# Update the weights: weights_updated
weights_updated = ____

# Get updated predictions: preds_updated
preds_updated = ____

# Calculate updated error: error_updated
error_updated = ____

# Print the original error
print(error)

# Print the updated error
print(error_updated)

Upravit a spustit kód