Try Several Rates چالش 4 از جلسهی 26، متوسط
برای هر نرخ در [0.001, 0.01, 0.1, 0.5] مدل را ۵۰ قدم اجرا کن و یک خط چاپ کن: نرخ، یک فاصله، و خطای آخر گرد با ۳ رقم؛ ولی اگر خطای آخر از 1000 بیشتر بود به جای عدد بنویس exploded. خروجی چهار خط: 0.001 17.734، 0.01 0.019، 0.1 0.003، 0.5 exploded.
X = [1, 2, 3, 4]
y = [3, 5, 7, 9]
def run(lr, steps):
w = b = 0.0
history = []
for s in range(steps):
gw = sum((w * X[i] + b - y[i]) * X[i] for i in range(len(X))) / len(X)
gb = sum((w * X[i] + b - y[i]) for i in range(len(X))) / len(X)
w = w - lr * gw
b = b - lr * gb
history.append(sum((w * X[i] + b - y[i]) ** 2 for i in range(len(X))) / len(X))
return history
for lr in [0.001, 0.01, 0.1, 0.5]:
last = run(lr, 50)[-1]
# print the line
راهنما و جواب این چالش · برگشت به درس جلسهی 26: نرخ یادگیری · چالش بعدی: Auto-Halving Rate
بیشتر بخوان: تابع در پایتون: آموزش def، پارامتر و return با مثال