Kom igångKom igång gratis

Förberedelse för batchträning

Innan vi kan träna en linjär modell i batchar måste vi först definiera variabler, en förlustfunktion och en optimeringsoperation. I den här övningen förbereder vi träningen av en modell som ska prediktera price_batch, en batch med huspriser, med hjälp av size_batch, en batch med tomtstorlekar i kvadratfot. Till skillnad från föregående lektion gör vi detta genom att läsa in batchar av data med pandas, konvertera dem till numpy-arrayer och sedan använda dem för att minimera förlustfunktionen stegvis.

Variable(), keras() och float32 har redan importerats. Observera att du inte ska ange standardvärden för argumenten i varken modellen eller förlustfunktionen, eftersom vi genererar data i batchar under träningsprocessen.

Den här övningen är en del av kursen

Introduktion till TensorFlow i Python

Visa kurs

Övningsinstruktioner

  • Definiera intercept med startvärdet 10.0 och datatypen 32-bitars float.
  • Definiera modellen så att den returnerar de predikterade värdena med hjälp av intercept, slope och features.
  • Definiera en funktion kallad loss_function() som tar intercept, slope, targets och features som argument, i den ordningen. Ange inga standardvärden för argumenten.
  • Definiera medelkvadratfelets förlustfunktion med hjälp av targets och predictions.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# 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.____(____, ____)
Redigera och kör kod