CommencerCommencer gratuitement

RNN boucle de formation

Il est temps d'entraîner le modèle de prévision de la consommation d'électricité !

Vous utiliserez le réseau LSTM que vous avez défini précédemment, qui a été instancié et assigné à net, tout comme le réseau dataloader_train que vous avez construit précédemment. Vous devrez également utiliser torch.nn qui a déjà été importé en tant que nn.

Dans cet exercice, vous n'entraînerez le modèle que pendant trois époques afin de vous assurer que l'entraînement se déroule comme prévu. Allons-y !

Cet exercice fait partie du cours

Apprentissage profond intermédiaire avec PyTorch

Afficher le cours

Instructions

  • Définissez la perte d'erreur quadratique moyenne et affectez-la à criterion.
  • Remodeler seqs en (batch size, sequence length, num features), qui dans notre cas est (32, 96, 1), et réaffecter le résultat à seqs.
  • Passez seqs au modèle pour obtenir son outputs.
  • Sur la base des quantités calculées précédemment, calculez la perte en l'attribuant à loss.

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

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()}")
Modifier et exécuter le code