การอัปเดต weights หลายครั้ง

คราวนี้จะลองอัปเดต weights หลายรอบ เพื่อปรับปรุงโมเดลอย่างเห็นได้ชัด และสังเกตว่าการทำนายดีขึ้นแค่ไหนในแต่ละรอบ

เพื่อให้โค้ดเป็นระเบียบ มีฟังก์ชัน get_slope() ที่โหลดไว้แล้ว รับ input_data, target, และ weights เป็น argument รวมถึงฟังก์ชัน get_mse() ที่รับ argument ชุดเดียวกัน ส่วน input_data, target, และ weights ก็ถูกโหลดไว้ให้แล้วเช่นกัน

โครงข่ายนี้ไม่มี hidden layer ใด ๆ โดยรับข้อมูลจาก input (3 โหนด) แล้วส่งตรงไปยัง output node เลย สังเกตว่า weights เป็น array เดียว

นอกจากนี้ยังโหลด matplotlib.pyplot ไว้ให้แล้ว และกราฟประวัติค่า error จะแสดงผลหลังจากทำขั้นตอน gradient descent เสร็จสิ้น

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

Introduction to Deep Learning in Python

ดูคอร์ส

คำแนะนำการฝึกหัด

ใช้ for loop เพื่ออัปเดต weights แบบวนซ้ำ:
- คำนวณค่า slope โดยใช้ฟังก์ชัน get_slope()
- อัปเดต weights โดยใช้ learning rate เท่ากับ 0.01
- คำนวณค่า mean squared error (mse) จาก weights ที่อัปเดตแล้ว โดยใช้ฟังก์ชัน get_mse()
- เพิ่มค่า mse เข้าไปใน mse_hist
กด ส่งคำตอบ เพื่อแสดงกราฟของ mse_hist แล้วสังเกตว่าเห็นแนวโน้มอะไร

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

n_updates = 20
mse_hist = []

# Iterate over the number of updates
for i in range(n_updates):
    # Calculate the slope: slope
    slope = ____(____, ____, ____)
    
    # Update the weights: weights
    weights = ____ - ____ * ____
    
    # Calculate mse with new weights: mse
    mse = ____(____, ____, ____)
    
    # Append the mse to mse_hist
    ____

# Plot the mse history
plt.plot(mse_hist)
plt.xlabel('Iterations')
plt.ylabel('Mean Squared Error')
plt.show()

แก้ไขและรันโค้ด