Eseguire più aggiornamenti dei pesi

Ora farai più aggiornamenti per migliorare sensibilmente i pesi del tuo modello e vedere come le previsioni migliorano a ogni passo.

Per mantenere il codice pulito, è già caricata una funzione get_slope() che accetta input_data, target e weights come argomenti. C'è anche una funzione get_mse() che prende gli stessi argomenti. input_data, target e weights sono già stati caricati.

Questa rete non ha livelli nascosti e passa direttamente dall'input (con 3 nodi) a un nodo di output. Nota che weights è un singolo array.

Abbiamo anche pre-caricato matplotlib.pyplot, e la cronologia degli errori verrà tracciata dopo che avrai eseguito i passaggi di discesa del gradiente.

Questo esercizio fa parte del corso

Introduzione al Deep Learning in Python

Visualizza corso

Istruzioni dell'esercizio

Usando un ciclo for per aggiornare iterativamente i pesi:
- Calcola la pendenza usando la funzione get_slope().
- Aggiorna i pesi usando un tasso di apprendimento di 0.01.
- Calcola l'errore quadratico medio (mse) con i pesi aggiornati usando la funzione get_mse().
- Aggiungi mse a mse_hist.
Premi "Invia risposta" per visualizzare mse_hist. Che andamento noti?

esercizio interattivo pratico

Prova questo esercizio completando questo codice di esempio.

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()

Modifica ed esegui il codice