ComeçarComece gratuitamente

Modificação da função de perda

No exercício anterior, você definiu uma função de perda tensorflow e, em seguida, avaliou-a uma vez para um conjunto de valores reais e previstos. Neste exercício, você calculará a perda em outra função chamada loss_function(), que primeiro gera valores previstos a partir dos dados e das variáveis. O objetivo disso é construir uma função das variáveis do modelo treinável que retorna a perda. Você pode então avaliar repetidamente essa função para diferentes valores de variáveis até encontrar o mínimo. Na prática, você passará essa função para um otimizador em tensorflow. Observe que features e targets foram definidos e estão disponíveis. Além disso, Variable, float32 e keras estão disponíveis.

Este exercício faz parte do curso

Introdução ao TensorFlow em Python

Ver Curso

Instruções de exercício

  • Defina uma variável, scalar, com um valor inicial de 1,0 e um tipo de float32.
  • Defina uma função chamada loss_function(), que recebe scalar, features e targets como argumentos, nessa ordem.
  • Use uma função de perda de erro absoluto médio.

Exercício interativo prático

Experimente este exercício preenchendo este código de exemplo.

# Initialize a variable named scalar
scalar = ____(1.0, ____)

# Define the model
def model(scalar, features = features):
  	return scalar * features

# Define a loss function
def loss_function(____, features = features, targets = targets):
	# Compute the predicted values
	predictions = model(scalar, features)
    
	# Return the mean absolute error loss
	return keras.losses.____(targets, predictions)

# Evaluate the loss function and print the loss
print(loss_function(scalar).numpy())
Editar e executar código