Effectuer plusieurs mises à jour des pondérations
Vous allez maintenant effectuer plusieurs mises à jour afin d'améliorer considérablement les poids de votre modèle et observer comment les prédictions s'améliorent à chaque mise à jour.
get_slope() Afin de maintenir la propreté de votre code, une fonction préchargée, « preloadunloadscripts », est disponible. Elle prend comme arguments les fichiers « input_data », « target » et « weights ». Il existe également une fonction d'get_mse() qui prend les mêmes arguments. Les fichiers input_data, target et weights ont été préchargés.
Ce réseau ne comporte aucune couche cachée et passe directement de l'entrée (avec 3 nœuds) à un nœud de sortie. Veuillez noter que « weights » est un tableau unique.
Nous avons également préchargé l'matplotlib.pyplot, et l'historique des erreurs sera représenté graphiquement une fois que vous aurez effectué vos étapes de descente de gradient.
Cet exercice fait partie du cours
Introduction au Deep Learning avec Python
Instructions
Utilisation d'une boucle «
for» pour mettre à jour les poids de manière itérative :Calculez la pente à l'aide de la fonction «
get_slope()».Mettez à jour les poids en utilisant un taux d'apprentissage de
0.01.Calculez l'erreur quadratique moyenne (
mse) avec les poids mis à jour à l'aide de la fonctionget_mse().Veuillez ajouter
mseàmse_hist.
Veuillez cliquer sur « Soumettre la réponse » pour visualiser l'
mse_hist. Quelle tendance remarquez-vous ?
Exercice interactif pratique
Essayez cet exercice en complétant cet exemple de code.
n_updates = 20
mse_hist = []
# Iterate over the number of updates
for i in range(n_updates):
# Calculate the slope: slope
slope = ____(____, ____, ____)
# Update the weights: weights
weights = ____ - ____ * ____
# Calculate mse with new weights: mse
mse = ____(____, ____, ____)
# Append the mse to mse_hist
____
# Plot the mse history
plt.plot(mse_hist)
plt.xlabel('Iterations')
plt.ylabel('Mean Squared Error')
plt.show()