Poprawa wag modelu
Świetnie! Udało się obliczyć potrzebne nachylenia. Teraz czas wykorzystać je do poprawy modelu. Dodanie nachyleń do wag przesuwa model we właściwym kierunku – jednak można przy tym zajść za daleko. Dlatego najpierw wykonasz mały krok, korzystając z niskiego współczynnika uczenia, i sprawdzisz, czy model rzeczywiście się poprawia.
Wagi zostały wstępnie załadowane jako weights, rzeczywista wartość docelowa jako target, a dane wejściowe jako input_data. Predykcje na podstawie początkowych wag są zapisane jako preds.
To ćwiczenie jest częścią kursu
Wprowadzenie do uczenia głębokiego w Pythonie
Instrukcje do ćwiczenia
- Ustaw współczynnik uczenia na
0.01i oblicz błąd na podstawie oryginalnych predykcji. Ten krok został już wykonany. - Oblicz zaktualizowane wagi, odejmując iloczyn
learning_rateislopeodweights. - Oblicz zaktualizowane predykcje, mnożąc
weights_updatedprzezinput_datai obliczając ich sumę. - Oblicz błąd dla nowych predykcji. Zapisz wynik jako
error_updated. - Kliknij „Prześlij odpowiedź", aby porównać zaktualizowany błąd z pierwotnym!
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Set the learning rate: learning_rate
learning_rate = 0.01
# Calculate the predictions: preds
preds = (weights * input_data).sum()
# Calculate the error: error
error = preds - target
# Calculate the slope: slope
slope = 2 * input_data * error
# Update the weights: weights_updated
weights_updated = ____
# Get updated predictions: preds_updated
preds_updated = ____
# Calculate updated error: error_updated
error_updated = ____
# Print the original error
print(error)
# Print the updated error
print(error_updated)