Verbesserung der Modellgewichte
Hurra! Du hast gerade die benötigten Steigungen berechnet. Jetzt ist es an der Zeit, diese Steigungen zu nutzen, um dein Modell zu verbessern. Wenn du die Steigungen zu deinen Gewichten hinzufügst, bewegst du dich in die richtige Richtung. Allerdings kann man dabei auch zu weit gehen. Also solltest du erst mal einen kleinen Schritt in diese Richtung machen, indem du eine niedrigere Lernrate nimmst, und schauen, ob sich das Modell verbessert.
Die Gewichte wurden als „ weights “ vorgeladen, der tatsächliche Wert des Ziels als „ target “ und die Eingabedaten als „ input_data “. Die Vorhersagen aus den Anfangsgewichten werden als „ preds “ gespeichert.
Diese Übung ist Teil des Kurses
Einführung in Deep Learning mit Python
Anleitung zur Übung
- Stell die Lernrate auf „
0.01“ und berechne den Fehler anhand der ursprünglichen Vorhersagen. Das haben wir für dich getan. - Berechne die neuen Gewichte, indem du das Produkt aus „
learning_rate“ und „slope“ von „weights“ abziehst. - Berechne die neuen Vorhersagen, indem du „
weights_updated“ mit „input_data“ multiplizierst und dann die Summe bildest. - Berechne den Fehler für die neuen Vorhersagen. Speichere das Ergebnis als
error_updated. - Klick auf „Antwort senden“, um den neuen Fehler mit dem alten 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)