Modellgewichte verbessern
Juhu! Du hast gerade die benötigten Steigungen berechnet. Jetzt ist es Zeit, diese Steigungen zu nutzen, um dein Modell zu verbessern. Wenn du die Steigungen zu deinen Gewichten addierst, bewegst du dich in die richtige Richtung. Allerdings kann man auch zu weit in diese Richtung gehen. Deshalb solltest du zuerst einen kleinen Schritt mit einer geringeren Lernrate vornehmen und anschließend prüfen, ob sich das Modell verbessert.
Die Gewichte wurden als weights vorab geladen, der tatsächliche Zielwert als target und die Eingabedaten als input_data. Die Vorhersagen der initialen Gewichte sind in preds gespeichert.
Diese Übung ist Teil des Kurses
Einführung in Deep Learning mit Python
Anleitung zur Übung
- Setze die Lernrate auf
0.01und berechne den Fehler der ursprünglichen Vorhersagen. Das wurde bereits für dich erledigt. - Berechne die aktualisierten Gewichte, indem du das Produkt aus
learning_rateundslopevonweightsabziehst. - Berechne die aktualisierten Vorhersagen, indem du
weights_updatedmitinput_datamultiplizierst und ihre Summe bildest. - Berechne den Fehler (error) für die neuen Vorhersagen. Speichere das Ergebnis als
error_updated. - Klicke auf "Antworten", um den aktualisierten Fehler mit dem ursprünglichen zu vergleichen!
Interaktive Übung
Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.
# 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)