Melakukan beberapa pembaruan pada bobot

Sekarang Anda akan melakukan beberapa pembaruan agar bobot model meningkat secara signifikan, dan melihat bagaimana prediksi membaik pada setiap pembaruan.

Untuk menjaga kode tetap rapi, telah disediakan fungsi get_slope() yang menerima input_data, target, dan weights sebagai argumen. Tersedia juga fungsi get_mse() yang menerima argumen yang sama. Variabel input_data, target, dan weights sudah dimuat sebelumnya.

Jaringan ini tidak memiliki lapisan tersembunyi, dan langsung dari masukan (dengan 3 node) ke sebuah node keluaran. Perhatikan bahwa weights berupa satu array.

Kami juga telah memuat matplotlib.pyplot, dan riwayat error akan dipetakan setelah Anda menyelesaikan langkah-langkah gradient descent.

Latihan ini adalah bagian dari kursus

Pengantar Deep Learning dengan Python

Lihat Kursus

Petunjuk latihan

Gunakan perulangan for untuk memperbarui bobot secara iteratif:
- Hitung kemiringan (slope) menggunakan fungsi get_slope().
- Perbarui bobot dengan laju pembelajaran 0.01.
- Hitung mean squared error (mse) dengan bobot yang telah diperbarui menggunakan fungsi get_mse().
- Tambahkan mse ke mse_hist.
Klik 'Kirim Jawaban' untuk memvisualisasikan mse_hist. Tren apa yang Anda amati?

Latihan interaktif praktis

Cobalah latihan ini dengan menyelesaikan kode contoh berikut.

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()

Edit dan Jalankan Kode