ComeçarComece de graça

Preparando-se para o treinamento em lote

Antes de podermos treinar um modelo linear em lotes, precisamos primeiro definir variáveis, uma função de perda e uma operação de otimização. Neste exercício, vamos nos preparar para treinar um modelo que preveja price_batch, um lote de preços de imóveis, usando size_batch, um lote de tamanhos de lotes em pés quadrados. Ao contrário da lição anterior, faremos isso carregando lotes de dados usando pandas, convertendo-os em matrizes numpy e, em seguida, usando-os para minimizar a função de perda em etapas.

Variable(), keras() e float32 foram importados para você. Observe que você não deve definir valores de argumento padrão para o modelo ou para a função de perda, pois geraremos os dados em lotes durante o processo de treinamento.

Este exercício faz parte do curso

Introdução ao TensorFlow em Python

Ver curso

Instruções do exercício

  • Defina intercept como tendo um valor inicial de 10,0 e um tipo de dados de float de 32 bits.
  • Defina o modelo para retornar os valores previstos usando intercept, slope e features.
  • Defina uma função chamada loss_function() que receba intercept, slope, targets e features como argumentos e nessa ordem. Não defina valores de argumento padrão.
  • Defina a função de perda de erro quadrático médio usando targets e predictions.

Exercício interativo prático

Experimente este exercício completando este código de exemplo.

# 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.____(____, ____)
Editar e executar o código