ComenzarEmpieza gratis

Bucle de entrenamiento de RNN

¡Es hora de entrenar el modelo de previsión del consumo eléctrico!

Utilizarás la red LSTM que has definido anteriormente, que se ha instanciado y asignado a net, al igual que la dataloader_train que construiste antes. También tendrás que utilizar torch.nn que ya se ha importado como nn.

En este ejercicio, entrenarás el modelo solo durante tres épocas para asegurarte de que el entrenamiento progresa como se espera. ¡Manos a la obra!

Este ejercicio forma parte del curso

Aprendizaje profundo intermedio con PyTorch

Ver curso

Instrucciones del ejercicio

  • Configura la pérdida del error promedio al cuadrado y asígnala a criterion.
  • Reasigna seqs a (batch size, sequence length, num features), que en nuestro caso es (32, 96, 1), y reasigna el resultado a seqs.
  • Pasa seqs al modelo para obtener su outputs.
  • A partir de las cantidades calculadas anteriormente, calcula la pérdida y asígnala a loss.

Ejercicio interactivo práctico

Prueba este ejercicio y completa el código de muestra.

net = Net()
# Set up MSE loss
criterion = ____
optimizer = optim.Adam(
  net.parameters(), lr=0.0001
)

for epoch in range(3):
    for seqs, labels in dataloader_train:
        # Reshape model inputs
        seqs = ____
        # Get model outputs
        outputs = ____
        # Compute loss
        loss = ____
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()
    print(f"Epoch {epoch+1}, Loss: {loss.item()}")
Editar y ejecutar código