Herausforderung: Implementierung der Linearen Regression
Aufgabe
Swipe to start coding
Sie erhalten einen Datensatz, der Informationen über die Anzahl der Stunden enthält, die Studenten gelernt haben, und ihre entsprechenden Testergebnisse. Ihre Aufgabe ist es, ein lineares Regressionsmodell auf diesen Daten zu trainieren.
- Konvertieren Sie diese Spalten in PyTorch-Tensoren und formen Sie sie um, um sicherzustellen, dass sie 2D mit den Formen
[N, 1]
sind. - Definieren Sie ein einfaches lineares Regressionsmodell.
- Verwenden Sie MSE als Verlustfunktion.
- Definieren Sie
optimizer
als SGD mit der Lernrate gleich0.01
. - Trainieren Sie das lineare Regressionsmodell, um Testergebnisse basierend auf der Anzahl der gelernten Stunden vorherzusagen. In jedem Durchlauf:
- Berechnen Sie Vorhersagen auf
X_tensor
; - Berechnen Sie den Verlust;
- Setzen Sie den Gradienten zurück;
- Führen Sie den Rückwärtsdurchlauf durch;
- Aktualisieren Sie die Parameter.
- Berechnen Sie Vorhersagen auf
- Greifen Sie auf die Parameter des Modells (Gewichte und Bias) zu.
Lösung
War alles klar?
Danke für Ihr Feedback!
Abschnitt 2. Kapitel 4
single
Fragen Sie AI
Fragen Sie AI
Fragen Sie alles oder probieren Sie eine der vorgeschlagenen Fragen, um unser Gespräch zu beginnen
Awesome!
Completion rate improved to 5
Herausforderung: Implementierung der Linearen Regression
Swipe um das Menü anzuzeigen
Aufgabe
Swipe to start coding
Sie erhalten einen Datensatz, der Informationen über die Anzahl der Stunden enthält, die Studenten gelernt haben, und ihre entsprechenden Testergebnisse. Ihre Aufgabe ist es, ein lineares Regressionsmodell auf diesen Daten zu trainieren.
- Konvertieren Sie diese Spalten in PyTorch-Tensoren und formen Sie sie um, um sicherzustellen, dass sie 2D mit den Formen
[N, 1]
sind. - Definieren Sie ein einfaches lineares Regressionsmodell.
- Verwenden Sie MSE als Verlustfunktion.
- Definieren Sie
optimizer
als SGD mit der Lernrate gleich0.01
. - Trainieren Sie das lineare Regressionsmodell, um Testergebnisse basierend auf der Anzahl der gelernten Stunden vorherzusagen. In jedem Durchlauf:
- Berechnen Sie Vorhersagen auf
X_tensor
; - Berechnen Sie den Verlust;
- Setzen Sie den Gradienten zurück;
- Führen Sie den Rückwärtsdurchlauf durch;
- Aktualisieren Sie die Parameter.
- Berechnen Sie Vorhersagen auf
- Greifen Sie auf die Parameter des Modells (Gewichte und Bias) zu.
Lösung
War alles klar?
Danke für Ihr Feedback!
Awesome!
Completion rate improved to 5Abschnitt 2. Kapitel 4
single