Začněte nyníZačněte zdarma

Úprava ztrátové funkce

V předchozím cvičení jsi definoval/a ztrátovou funkci v tensorflow a jednou ji vyhodnotil/a pro sadu skutečných a předpovězených hodnot. V tomto cvičení vypočítáš ztrátu uvnitř jiné funkce nazvané loss_function(), která nejprve vygeneruje předpovězené hodnoty z dat a proměnných. Cílem je sestavit funkci trénovatelných proměnných modelu, která vrací ztrátu. Tuto funkci pak můžeš opakovaně vyhodnocovat pro různé hodnoty proměnných, dokud nenajdeš minimum. V praxi tuto funkci předáš optimalizátoru v tensorflow. Všimni si, že features a targets jsou již definovány a dostupné. K dispozici jsou také Variable, float32 a keras.

Toto cvičení je součástí kurzu

Úvod do TensorFlow v Pythonu

Zobrazit kurz

Pokyny k cvičení

  • Definuj proměnnou scalar s počáteční hodnotou 1.0 a typem float32.
  • Definuj funkci loss_function(), která přijímá argumenty scalar, features a targets přesně v tomto pořadí.
  • Použij ztrátovou funkci střední absolutní chyby.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Initialize a variable named scalar
scalar = ____(1.0, ____)

# Define the model
def model(scalar, features = features):
  	return scalar * features

# Define a loss function
def loss_function(____, features = features, targets = targets):
	# Compute the predicted values
	predictions = model(scalar, features)
    
	# Return the mean absolute error loss
	return keras.losses.____(targets, predictions)

# Evaluate the loss function and print the loss
print(loss_function(scalar).numpy())
Upravit a spustit kód