开始使用免费开始使用

训练线性模型

在本练习中，我们将从上一个练习结束的地方继续。截距和斜率 intercept 与 slope 已经定义并完成初始化。此外，已定义了函数 loss_function(intercept, slope)，它会使用数据和模型变量来计算损失。

现在，您将把优化操作定义为 opt。接着通过最小化损失来训练一元线性模型，从而找到 intercept 和 slope 的最优值。请注意，opt 操作每一步都会向最优解逼近，但通常需要很多步才能收敛。因此，您必须反复执行该操作。

本练习是课程的一部分

Python 中的 TensorFlow 入门

查看课程

练习说明

  • 将学习率设为 0.5，初始化一个 Adam 优化器为 opt。
  • 对优化器应用 .minimize() 方法。
  • 将带有合适参数的 loss_function() 作为 lambda 函数传递给 .minimize()。
  • 在 var_list 中提供需要更新的变量列表。

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 an Adam optimizer
opt = keras.optimizers.____(0.5)

for j in range(100):
	# Apply minimize, pass the loss function, and supply the variables
	opt.____(lambda: ____(____, ____), var_list=[____, ____])

	# Print every 10th value of the loss
	if j % 10 == 0:
		print(loss_function(intercept, slope).numpy())

# Plot data and regression line
plot_results(intercept, slope)
编辑并运行代码