Kom igångKom igång gratis

Modifiera förlustfunktionen

I den föregående övningen definierade du en förlustfunktion i tensorflow och utvärderade den en gång för en uppsättning faktiska och förutsagda värden. I den här övningen beräknar du förlusten inuti en annan funktion som heter loss_function(), vilken först genererar förutsagda värden från data och variabler. Syftet är att konstruera en funktion av de träningsbara modellvariablerna som returnerar förlusten. Du kan sedan utvärdera den här funktionen upprepade gånger för olika variabelvärden tills du hittar minimumet. I praktiken skickar du den här funktionen till en optimerare i tensorflow. Observera att features och targets redan är definierade och tillgängliga. Dessutom är Variable, float32 och keras tillgängliga.

Den här övningen är en del av kursen

Introduktion till TensorFlow i Python

Visa kurs

Övningsinstruktioner

  • Definiera en variabel, scalar, med ett startvärde på 1.0 och typen float32.
  • Definiera en funktion som heter loss_function(), som tar scalar, features och targets som argument i den ordningen.
  • Använd medelabsolutfel som förlustfunktion.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# 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())
Redigera och kör kod