IniziaInizia gratis

Prepararsi al training in batch

Prima di poter addestrare un modello lineare in batch, dobbiamo prima definire le variabili, una funzione di perdita e un'operazione di ottimizzazione. In questo esercizio, ci prepareremo ad addestrare un modello che predirà price_batch, un batch di prezzi delle case, usando size_batch, un batch di superfici dei lotti in piedi quadrati. A differenza della lezione precedente, lo faremo caricando i batch di dati con pandas, convertendoli in array numpy e usandoli poi per minimizzare la funzione di perdita passo dopo passo.

Variable(), keras(), e float32 sono già stati importati per te. Nota che non devi impostare valori di default per gli argomenti né del modello né della funzione di perdita, perché genereremo i dati in batch durante il processo di training.

Questo esercizio fa parte del corso

Introduzione a TensorFlow in Python

Visualizza il corso

Istruzioni dell'esercizio

  • Definisci intercept con un valore iniziale di 10.0 e un tipo di dato a 32 bit in virgola mobile.
  • Definisci il modello in modo che restituisca i valori predetti usando intercept, slope e features.
  • Definisci una funzione chiamata loss_function() che accetti intercept, slope, targets e features come argomenti, in quest'ordine. Non impostare valori di default per gli argomenti.
  • Definisci la funzione di perdita come errore quadratico medio usando targets e predictions.

Esercizio pratico interattivo

Prova a risolvere questo esercizio completando il codice di esempio.

# 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.____(____, ____)
Modifica ed esegui il codice