Mulai sekarangMulai gratis

Mempersiapkan pelatihan batch

Sebelum kita dapat melatih model linear secara batch, kita harus terlebih dahulu mendefinisikan variabel, fungsi loss, dan operasi optimisasi. Dalam latihan ini, kita akan menyiapkan pelatihan model yang akan memprediksi price_batch, satu batch harga rumah, menggunakan size_batch, satu batch ukuran lahan dalam satuan kaki persegi. Berbeda dengan pelajaran sebelumnya, kita akan memuat data per batch menggunakan pandas, mengonversinya menjadi array numpy, lalu menggunakannya untuk meminimalkan fungsi loss secara bertahap.

Variable(), keras(), dan float32 telah diimpor untuk Anda. Perhatikan bahwa Anda tidak boleh menetapkan nilai argumen bawaan untuk model maupun fungsi loss, karena kita akan menghasilkan data secara batch selama proses pelatihan.

Latihan ini merupakan bagian dari kursus

Pendahuluan TensorFlow di Python

Lihat Kursus

Instruksi latihan

  • Definisikan intercept dengan nilai awal 10.0 dan tipe data float 32-bit.
  • Definisikan model untuk mengembalikan nilai prediksi menggunakan intercept, slope, dan features.
  • Definisikan fungsi bernama loss_function() yang menerima intercept, slope, targets, dan features sebagai argumen, dalam urutan tersebut. Jangan menetapkan nilai argumen bawaan.
  • Definisikan fungsi loss mean squared error menggunakan targets dan predictions.

Latihan interaktif langsung praktik

Cobalah latihan ini dengan melengkapi kode contoh ini.

# Define the intercept and slope
intercept = ___
slope = Variable(0.5, float32)

# Define the model
def linear_regression(intercept, slope, features):
	# Define the predicted values
	return ____

# Define the loss function
def ____:
	# Define the predicted values
	predictions = linear_regression(____, ____, features)
    
 	# Define the MSE loss
	return keras.losses.____(____, ____)
Edit dan Jalankan Kode