ComeçarComece de graça

Treinar um modelo linear

Neste exercício, vamos continuar de onde o anterior parou. O intercepto e o coeficiente angular, intercept e slope, já foram definidos e inicializados. Além disso, foi definida uma função, loss_function(intercept, slope), que calcula a perda usando os dados e as variáveis do modelo.

Agora você vai definir uma operação de otimização como opt. Em seguida, vai treinar um modelo linear univariado minimizando a perda para encontrar os valores ideais de intercept e slope. Observe que a operação opt tentará se aproximar do ótimo a cada passo, mas precisará de muitos passos para encontrá-lo. Por isso, você deve executar a operação repetidas vezes.

Este exercício faz parte do curso

Introdução ao TensorFlow em Python

Ver curso

Instruções do exercício

  • Inicialize um otimizador Adam como opt com taxa de aprendizado de 0,5.
  • Aplique o método .minimize() ao otimizador.
  • Passe loss_function() com os argumentos apropriados como uma função lambda para .minimize().
  • Forneça a lista de variáveis que precisam ser atualizadas em var_list.

Exercício interativo prático

Experimente este exercício completando este código de exemplo.

# Initialize an Adam optimizer
opt = keras.optimizers.____(0.5)

for j in range(100):
	# Apply minimize, pass the loss function, and supply the variables
	opt.____(lambda: ____(____, ____), var_list=[____, ____])

	# Print every 10th value of the loss
	if j % 10 == 0:
		print(loss_function(intercept, slope).numpy())

# Plot data and regression line
plot_results(intercept, slope)
Editar e executar o código