ComeçarComece de graça

Modificando a função de perda

No exercício anterior, você definiu uma função de perda do tensorflow e depois a avaliou uma vez para um conjunto de valores reais e previstos. Neste exercício, você vai calcular a perda dentro de outra função chamada loss_function(), que primeiro gera valores previstos a partir dos dados e das variáveis. O objetivo é construir uma função das variáveis treináveis do modelo que retorne a perda. Assim, você pode avaliar essa função repetidamente para diferentes valores de variáveis até encontrar o mínimo. Na prática, você vai passar essa função para um otimizador no tensorflow. Observe que features e targets já 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 do exercício

  • Defina uma variável, scalar, com valor inicial 1.0 e tipo 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 completando 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 o código