LoslegenKostenlos loslegen

Vorbereitung auf Batch-Training

Bevor wir ein lineares Modell in Batches trainieren können, müssen wir zunächst Variablen, eine Verlustfunktion und einen Optimierungsschritt definieren. In dieser Übung bereiten wir das Training eines Modells vor, das price_batch (einen Batch an Hauspreisen) mithilfe von size_batch (einem Batch an Grundstücksgrößen in Quadratfuß) vorhersagt. Im Gegensatz zur vorherigen Lektion laden wir dazu Batches von Daten mit pandas, konvertieren sie in numpy-Arrays und verwenden sie dann, um die Verlustfunktion schrittweise zu minimieren.

Variable(), keras(), und float32 wurden für dich importiert. Beachte, dass du keine Standardargumentwerte für das Modell oder die Verlustfunktion setzen solltest, da wir die Daten während des Trainingsprozesses in Batches erzeugen.

Diese Übung ist Teil des Kurses

Einführung in TensorFlow mit Python

Kurs anzeigen

Anleitung zur Übung

  • Definiere intercept mit einem Anfangswert von 10.0 und einem Datentyp von 32-Bit Float.
  • Definiere das Modell so, dass es die Vorhersagen mithilfe von intercept, slope und features zurückgibt.
  • Definiere eine Funktion namens loss_function(), die intercept, slope, targets und features in genau dieser Reihenfolge als Argumente entgegennimmt. Setze keine Standardargumentwerte.
  • Definiere die Verlustfunktion als mittleren quadratischen Fehler unter Verwendung von targets und predictions.

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

# Define the intercept and slope
intercept = ___
slope = Variable(0.5, float32)

# Define the model
def linear_regression(intercept, slope, features):
	# Define the predicted values
	return ____

# Define the loss function
def ____:
	# Define the predicted values
	predictions = linear_regression(____, ____, features)
    
 	# Define the MSE loss
	return keras.losses.____(____, ____)
Code bearbeiten und ausführen