开始使用免费开始使用

修改损失函数

在上一个练习中，您定义了一个 tensorflow 损失函数，并针对一组真实值与预测值计算了一次损失。本练习中，您将把损失的计算放到另一个名为 loss_function() 的函数中。该函数会先根据数据和变量生成预测值。这样就构造了一个以可训练模型变量为自变量、返回损失的函数。随后，您可以针对不同的变量取值反复评估该函数，直到找到最小值。实际应用中，您会将该函数传递给 tensorflow 中的优化器。注意，features 和 targets 已定义且可用，Variable、float32 和 keras 也已可用。

本练习是课程的一部分

Python 中的 TensorFlow 入门

查看课程

练习说明

  • 定义一个变量 scalar，初始值为 1.0，类型为 float32。
  • 定义一个函数 loss_function()，按顺序接收 scalar、features、targets 作为参数。
  • 使用平均绝对误差作为损失函数。

交互式实操练习

通过完成这段示例代码来试试这个练习。

# 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())
编辑并运行代码