Améliorer les poids du modèle
Youpi! Vous venez de calculer les pentes dont vous avez besoin. Il est maintenant temps d'utiliser ces pentes pour améliorer votre modèle. Si vous ajoutez les pentes à vos poids, vous irez dans la bonne direction. Cependant, il est possible d'aller trop loin dans cette direction. Vous voudrez donc d'abord faire un petit pas dans cette direction, avec un taux d'apprentissage plus faible, puis vérifier que le modèle s'améliore.
Les poids ont été préchargés dans weights, la valeur réelle de la cible dans target, et les données d'entrée dans input_data. Les prédictions à partir des poids initiaux sont stockées dans preds.
Cette activité fait partie du cours
Introduction à Deep Learning en Python
Instructions de l’exercice
- Réglez le taux d'apprentissage à
0.01et calculez l'erreur à partir des prédictions initiales. Cela a été fait pour vous. - Calculez les poids mis à jour en soustrayant de
weightsle produit delearning_rateetslope. - Calculez les prédictions mises à jour en multipliant
weights_updatedparinput_datapuis en faisant leur somme. - Calculez l'erreur pour les nouvelles prédictions. Stockez le résultat dans
error_updated. - Cliquez sur "Soumettre la réponse" pour comparer l'erreur mise à jour avec l'originale!
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# 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)