جواب «Train for 200 Steps» چالش 5 از جلسهی 25
سؤال
تابع train(X, y, lr, steps) بنویس که از وزنهای صفر شروع کند، steps بار قدم گرادیان کاهشی بردارد و در آخر (w1, w2, b) را برگرداند. برنامه با lr=0.001 و ۲۰۰ قدم آموزش میدهد و خطای پایانی را گرد با یک رقم چاپ میکند: final error 6.7. بعد قیمت خانهی [9, 2] را گرد با عدد صحیح چاپ میکند: predicted 107.
راهنما
for step in range(steps): g1, g2, gb = gradients(X, y, w1, w2, b) و سه خط بهروزرسانی.
یک جواب درست
X = [[5, 1], [8, 2], [10, 3], [12, 3]]
y = [60, 95, 125, 140]
def mse(X, y, w1, w2, b):
total = 0
for i in range(len(X)):
total += (w1 * X[i][0] + w2 * X[i][1] + b - y[i]) ** 2
return total / len(X)
def gradients(X, y, w1, w2, b):
g1 = g2 = gb = 0
for i in range(len(X)):
error = (w1 * X[i][0] + w2 * X[i][1] + b) - y[i]
g1 += error * X[i][0]
g2 += error * X[i][1]
gb += error
n = len(X)
return g1 / n, g2 / n, gb / n
def train(X, y, lr, steps):
w1 = w2 = b = 0.0
for step in range(steps):
g1, g2, gb = gradients(X, y, w1, w2, b)
w1 = w1 - lr * g1
w2 = w2 - lr * g2
b = b - lr * gb
return w1, w2, b
w1, w2, b = train(X, y, 0.001, 200)
print("final error", round(mse(X, y, w1, w2, b), 1))
print("predicted", round(w1 * 9 + w2 * 2 + b))
اول خودت امتحان کن؛ جوابهای دیگر هم قبول است. برگرد و خودت حلش کن