CommencerCommencer gratuitement

Modifier la fonction de perte

Dans l’exercice précédent, vous avez défini une fonction de perte tensorflow puis l’avez évaluée une fois pour un ensemble de valeurs réelles et prédites. Dans cet exercice, vous allez calculer la perte dans une autre fonction appelée loss_function(), qui commence par générer des valeurs prédites à partir des données et des variables. L’objectif est de construire une fonction des variables entraînables du modèle qui renvoie la perte. Vous pourrez ensuite évaluer cette fonction à plusieurs reprises pour différentes valeurs de variables jusqu’à trouver le minimum. En pratique, vous passerez cette fonction à un optimiseur dans tensorflow. Notez que features et targets ont été définis et sont disponibles. De plus, Variable, float32 et keras sont disponibles.

Cet exercice fait partie du cours

Introduction à TensorFlow en Python

Afficher le cours

Instructions

  • Définissez une variable scalar avec une valeur initiale de 1.0 et un type float32.
  • Définissez une fonction appelée loss_function() qui prend scalar, features et targets comme arguments, dans cet ordre.
  • Utilisez une fonction de perte en erreur absolue moyenne.

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

# Initialize a variable named scalar
scalar = ____(1.0, ____)

# Define the model
def model(scalar, features = features):
  	return scalar * features

# Define a loss function
def loss_function(____, features = features, targets = targets):
	# Compute the predicted values
	predictions = model(scalar, features)
    
	# Return the mean absolute error loss
	return keras.losses.____(targets, predictions)

# Evaluate the loss function and print the loss
print(loss_function(scalar).numpy())
Modifier et exécuter le code