Améliorer les poids du modèle
Super ! 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. Vous voudrez donc d’abord faire un petit pas dans cette direction, en utilisant 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.
Cet exercice fait partie du cours
Introduction au Deep Learning en Python
Instructions
- Définissez 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 le produit de
learning_rateetslopedeweights. - Calculez les prédictions mises à jour en multipliant
weights_updatedparinput_datapuis en calculant leur somme. - Calculez l’erreur pour les nouvelles prédictions. Enregistrez le résultat dans
error_updated. - Cliquez sur "Soumettre la réponse" pour comparer l’erreur mise à jour à l’originale !
Exercice interactif pratique
Essayez cet exercice en complétant cet exemple de code.
# 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)