Kom igångKom igång gratis

Träningsloop för RNN

Nu är det dags att träna modellen för elförbrukningsprognoser!

Du använder det LSTM-nätverk som du definierade tidigare – det har instansierats och tilldelats net, liksom dataloader_train som du skapade tidigare. Du behöver också torch.nn, som redan har importerats som nn.

I den här övningen tränar du modellen i tre epoker för att kontrollera att träningen fortskrider som förväntat. Sätt igång!

Den här övningen är en del av kursen

Fördjupad djupinlärning med PyTorch

Visa kurs

Övningsinstruktioner

  • Konfigurera förlustfunktionen Mean Squared Error och tilldela den till criterion.
  • Omforma seqs till (batch size, sequence length, num features), vilket i vårt fall är (32, 96, 1), och tilldela resultatet tillbaka till seqs.
  • Skicka seqs till modellen för att få dess outputs.
  • Beräkna förlusten baserat på tidigare beräknade värden och tilldela den till loss.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

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()}")
Redigera och kör kod