CommencezCommencez gratuitement

Préparer l'entraînement par lot

Avant de pouvoir entraîner un modèle linéaire par lots, nous devons d'abord définir les variables, une fonction de perte et une opération d'optimisation. Dans cet exercice, nous allons préparer l'entraînement d'un modèle qui prédira price_batch, un lot de prix de maisons, à partir de size_batch, un lot de superficies de terrains en pieds carrés. Contrairement à la leçon précédente, nous chargerons des lots de données avec pandas, les convertirons en tableaux numpy, puis les utiliserons pour minimiser la fonction de perte par étapes.

Variable(), keras() et float32 ont été importés pour vous. Notez que vous ne devez définir aucune valeur d'argument par défaut ni pour le modèle ni pour la fonction de perte, puisque nous générerons les données par lots durant le processus d'entraînement.

Cette activité fait partie du cours

Introduction à TensorFlow en Python

Voir le cours

Instructions de l’exercice

  • Définissez intercept avec une valeur initiale de 10.0 et un type de données virgule flottante 32 bits.
  • Définissez le modèle pour qu'il retourne les valeurs prédites en utilisant intercept, slope et features.
  • Définissez une fonction appelée loss_function() qui prend intercept, slope, targets et features comme arguments, dans cet ordre. Ne définissez pas de valeurs d'arguments par défaut.
  • Définissez la fonction de perte par erreur quadratique moyenne en utilisant targets et predictions.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# 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.____(____, ____)
Modifier et exécuter le code