Модифікація функції втрат
У попередній вправі ви визначили функцію втрат у tensorflow, а потім один раз обчислили її для набору фактичних і передбачених значень. У цій вправі ви обчислите втрати всередині іншої функції під назвою loss_function(), яка спочатку генерує передбачені значення на основі даних і змінних. Мета — побудувати функцію тренованих змінних моделі, що повертає значення втрат. Тоді ви зможете багаторазово обчислювати цю функцію для різних значень змінних, аж поки не знайдете мінімум. На практиці ви передасте цю функцію оптимізатору в tensorflow. Зауважте, що features і targets уже визначені й доступні. Крім того, доступні Variable, float32 і keras.
Ця вправа є частиною курсу
Вступ до TensorFlow на Python
Інструкції до вправи
- Визначте змінну
scalarз початковим значенням 1.0 і типомfloat32. - Визначте функцію
loss_function(), яка приймає аргументиscalar,featuresіtargetsсаме в такому порядку. - Використайте функцію втрат на основі середньої абсолютної похибки.
Інтерактивна практична вправа
Спробуйте виконати цю вправу, доповнивши цей зразок коду.
# 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())