1. Uczyć się
    2. /
  2. Courses
    3. /
  3. Wprowadzenie do uczenia głębokiego w Pythonie
Connected

Exercise

Wielokrotna aktualizacja wag

Teraz wykonasz wiele aktualizacji wag, co pozwoli ci znacznie poprawić model i zobaczyć, jak prognozy ulepszają się z każdą kolejną aktualizacją.

Aby kod był przejrzysty, przygotowano gotową funkcję get_slope(), która przyjmuje argumenty input_data, target i weights. Dostępna jest również funkcja get_mse() przyjmująca te same argumenty. Zmienne input_data, target i weights są wstępnie załadowane.

Ta sieć nie ma żadnych ukrytych warstw – dane przechodzą bezpośrednio z wejścia (złożonego z 3 węzłów) do węzła wyjściowego. Zwróć uwagę, że weights to pojedyncza tablica.

Załadowano również bibliotekę matplotlib.pyplot – historia błędów zostanie przedstawiona na wykresie po wykonaniu kroków gradientu prostego.

Instrukcje

100 XP
  • Użyj pętli for, aby iteracyjnie aktualizować wagi:
    • Oblicz nachylenie, korzystając z funkcji get_slope().
    • Zaktualizuj wagi, stosując współczynnik uczenia 0.01.
    • Oblicz błąd średniokwadratowy (mse) na podstawie zaktualizowanych wag, używając funkcji get_mse().
    • Dołącz mse do mse_hist.
  • Kliknij „Prześlij odpowiedź", aby zwizualizować mse_hist. Jaką tendencję zauważasz?