ComenzarEmpieza gratis

Preparándose para la formación por lotes

Antes de poder entrenar un modelo lineal por lotes, debemos definir variables, una función de pérdida y una operación de optimización. En este ejercicio, nos prepararemos para entrenar un modelo que prediga price_batch, un lote de precios de viviendas, utilizando size_batch, un lote de tamaños de parcela en pies cuadrados. A diferencia de la lección anterior, lo haremos cargando lotes de datos mediante pandas, convirtiéndolos en matrices numpy, y utilizándolos después para minimizar la función de pérdida por pasos.

Variable(), keras(), y float32 han sido importados para ti. Ten en cuenta que no debes establecer valores de argumento por defecto ni para el modelo ni para la función de pérdida, ya que generaremos los datos por lotes durante el proceso de entrenamiento.

Este ejercicio forma parte del curso

Introducción a TensorFlow en Python

Ver curso

Instrucciones de ejercicio

  • Define que intercept tiene un valor inicial de 10,0 y un tipo de datos de 32 bits flotante.
  • Define el modelo para que devuelva los valores predichos utilizando intercept, slope, y features.
  • Define una función llamada loss_function() que tome como argumentos intercept, slope, targets, y features y en ese orden. No establezcas valores de argumento por defecto.
  • Define la función de pérdida del error cuadrático medio utilizando targets y predictions.

Ejercicio interactivo práctico

Pruebe este ejercicio completando este código de muestra.

# 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.____(____, ____)
Editar y ejecutar código