ComenzarEmpieza gratis

Modificar la función de pérdida

En el ejercicio anterior, definiste una función de pérdida tensorflow y luego la evaluaste una vez para un conjunto de valores reales y predichos. En este ejercicio, calcularás la pérdida dentro de otra función llamada loss_function(), que primero genera valores predichos a partir de los datos y las variables. Se trata de construir una función de las variables entrenables del modelo que devuelva la pérdida. A continuación, puedes evaluar repetidamente esta función para distintos valores de las variables hasta que encuentres el mínimo. En la práctica, pasarás esta función a un optimizador en tensorflow. Ten en cuenta que features y targets se han definido y están disponibles. Además, están disponibles Variable, float32 y keras.

Este ejercicio forma parte del curso

Introducción a TensorFlow en Python

Ver curso

Instrucciones de ejercicio

  • Define una variable, scalar, con un valor inicial de 1,0 y un tipo de float32.
  • Define una función llamada loss_function(), que toma como argumentos scalar, features, y targets en ese orden.
  • Utiliza una función de pérdida de error medio absoluto.

Ejercicio interactivo práctico

Pruebe este ejercicio completando este código de muestra.

# Initialize a variable named scalar
scalar = ____(1.0, ____)

# Define the model
def model(scalar, features = features):
  	return scalar * features

# Define a loss function
def loss_function(____, features = features, targets = targets):
	# Compute the predicted values
	predictions = model(scalar, features)
    
	# Return the mean absolute error loss
	return keras.losses.____(targets, predictions)

# Evaluate the loss function and print the loss
print(loss_function(scalar).numpy())
Editar y ejecutar código