ComeçarComece de graça

Ciclo de treinamento de RNN

É hora de treinar o modelo de previsão de consumo de eletricidade!

Você usará a rede LSTM que definiu anteriormente, que foi instanciada e atribuída a net, assim como o dataloader_train que você criou anteriormente. Você também precisará usar o torch.nn, que já foi importado como nn.

Neste exercício, você treinará o modelo por apenas três épocas para garantir que o treinamento progrida conforme o esperado. Vamos lá!

Este exercício faz parte do curso

Aprendizagem profunda intermediária com PyTorch

Ver curso

Instruções do exercício

  • Configure a perda de erro quadrático médio e atribua-o a criterion.
  • Remodele seqs para (batch size, sequence length, num features), que no nosso caso é (32, 96, 1), e reatribua o resultado para seqs.
  • Passe seqs para o modelo para obter seu outputs.
  • Com base nas quantidades computadas anteriormente, calcule a perda, atribuindo-a a loss.

Exercício interativo prático

Experimente este exercício completando este código de exemplo.

net = Net()
# Set up MSE loss
criterion = ____
optimizer = optim.Adam(
  net.parameters(), lr=0.0001
)

for epoch in range(3):
    for seqs, labels in dataloader_train:
        # Reshape model inputs
        seqs = ____
        # Get model outputs
        outputs = ____
        # Compute loss
        loss = ____
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()
    print(f"Epoch {epoch+1}, Loss: {loss.item()}")
Editar e executar o código