Začněte nyníZačněte zdarma

Trénování lineárního modelu

V tomto cvičení navážeme na to, kde jsme skončili v předchozím cvičení. Proměnné intercept a slope jsou již definované a inicializované. Navíc je definovaná funkce loss_function(intercept, slope), která vypočítá ztrátu na základě dat a proměnných modelu.

Nyní definuješ optimalizační operaci jako opt. Pak natrénoješ univariátní lineární model minimalizací ztráty, abys nalezl/a optimální hodnoty intercept a slope. Všimni si, že operace opt se s každým krokem přibližuje k optimu, ale k jeho dosažení potřebuje mnoho kroků. Musíš ji proto opakovaně spouštět.

Toto cvičení je součástí kurzu

Úvod do TensorFlow v Pythonu

Zobrazit kurz

Pokyny k cvičení

  • Inicializuj optimalizátor Adam jako opt s rychlostí učení 0,5.
  • Aplikuj metodu .minimize() na optimalizátor.
  • Předej loss_function() s příslušnými argumenty jako lambda funkci do .minimize().
  • Do var_list předej seznam proměnných, které je potřeba aktualizovat.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Initialize an Adam optimizer
opt = keras.optimizers.____(0.5)

for j in range(100):
	# Apply minimize, pass the loss function, and supply the variables
	opt.____(lambda: ____(____, ____), var_list=[____, ____])

	# Print every 10th value of the loss
	if j % 10 == 0:
		print(loss_function(intercept, slope).numpy())

# Plot data and regression line
plot_results(intercept, slope)
Upravit a spustit kód