Выполни задание, предполагая, что пишешь Jupyter Notebook и…
- User
Assistant: User: Выполни задание, предполагая, что пишешь Jupyter Notebook и придерживайся хорошего стиля его написания: пиши красивые пояснения в markdown, логично разделяй код на ячейки, выводи полученные результаты как объекты или через print. Использй заголовки и другие способы выделения текста в markdown. Повествование имеет логику, вступление, заключение. Отвечай в формате json по заданному примеру: {"1": ["markdown", "В этом ноутбуке будем использовать формулу ."], "2": ["code", "import numpy as np"], "3": ["markdown", "Заключение..."]}. Пиши на русском, если задание на русском. Начинай сразу с написания ячеек. Не останавливай генерацию, пока не выполнишь всё задание. Задание: Исходный код: {0: ['code', 'import torch'], 1: ['markdown', '## 2.1 Создание нейронов и полносвязных слоев'], 2: ['markdown', '2.1.1. Используя операции над матрицами и векторами из библиотеки
torch, реализовать нейрон с заданными весамиweightsиbias. Прогнать векторinputsчерез нейрон и вывести результат. '], 3: ['code', 'class Neuron:\n def init(self, weights, bias):\n # <создать атрибуты объекта weights и bias>\n pass\n \n def forward(self, inputs):\n return # <реализовать логику нейрона>\n'], 4: ['code', 'inputs = torch.tensor([1.0, 2.0, 3.0, 4.0])\nweights = torch.tensor([-0.2, 0.3, -0.5, 0.7])\nbias = 3.14'], 5: ['markdown', '2.1.2 Используя операции над матрицами и векторами из библиотекиtorch, реализовать полносвязный слой с заданными весамиweightsиbiases. Прогнать векторinputsчерез слой и вывести результат. '], 6: ['code', 'class Linear:\n def init(self, weights, biases):\n # <создать атрибуты объекта weights и biases>\n pass\n \n def forward(self, inputs):\n return # <реализовать логику слоя>'], 7: ['code', 'inputs = torch.tensor([1.0, 2.0, 3.0, 4.0])\nweights = torch.tensor([[-0.2, 0.3, -0.5, 0.7],\n [0.5, -0.91, 0.26, -0.5],\n [-0.26, -0.27, 0.17, 0.87]]).T\n\nbiases = torch.tensor([3.14, 2.71, 7.2])'], 8: ['markdown', '2.1.3 Реализовать полносвязный слой из 2.1.2 таким образом, чтобы он мог принимать на вход матрицу (батч) с данными. Продемонстрировать работу.\nРезультатом прогона сквозь слой должна быть матрица размераbatch_sizexn_neurons.\n'], 9: ['code', 'inputs = torch.tensor([[1, 2, 3, 2.5], \n [2, 5, -1, 2], \n [-1.5, 2.7, 3.3, -0.8]])'], 10: ['markdown', '2.1.4 Используя операции над матрицами и векторами из библиотекиtorch, реализовать полносвязный слой изn_neuronsнейронов сn_featuresвесами у каждого нейрона (инициализируются из стандартного нормального распределения). Прогнать векторinputsчерез слой и вывести результат. Результатом прогона сквозь слой должна быть матрица размераbatch_sizexn_neurons.'], 11: ['code', 'class Linear:\n def init(self, n_features, n_neurons):\n # <создать атрибуты объекта weights и biases>\n pass\n \n def forward(self, inputs):\n return # <реализовать логику слоя>'], 12: ['markdown', '2.1.5 Используя решение из 2.1.4, создать 2 полносвязных слоя и пропустить матрицуinputsпоследовательно через эти два слоя. Количество нейронов в первом слое выбрать произвольно, количество нейронов во втором слое выбрать так, чтобы результатом прогона являлась матрица (3x7). '], 13: ['code', 'inputs = torch.tensor([[1, 2, 3, 2.5], \n [2, 5, -1, 2], \n [-1.5, 2.7, 3.3, -0.8]])'], 14: ['markdown', '## 2.2 Создание функций активации'], 15: ['markdown', '2.2.1 Используя операции над матрицами и векторами из библиотекиtorch, реализовать функцию активации ReLU:\n\n[image] open\n\nСоздать матрицу размера (4,3), заполненную числами из стандартного нормального распределения, и проверить работоспособность функции активации.'], 16: ['code', 'class ReLU:\n def forward(self, inputs):\n # <реализовать логику ReLU>\n pass'], 17: ['markdown', '2.2.2 Используя операции над матрицами и векторами из библиотекиtorch, реализовать функцию активации softmax:\n\n[image] open\n\nСоздать матрицу размера (4,3), заполненную числами из стандартного нормального распределения, и проверить работоспособность функции активации. Строки матрицы трактовать как выходы линейного слоя некоторого классификатора для 4 различных примеров.'], 18: ['code', 'class Softmax:\n def forward(self, inputs):\n # <реализовать логику Softmax>\n pass'], 19: ['markdown', '2.2.3 Используя операции над матрицами и векторами из библиотекиtorch, реализовать функцию активации ELU:\n\n[image] open\n\nСоздать матрицу размера (4,3), заполненную числами из стандартного нормального распределения, и проверить работоспособность функции активации.'], 20: ['code', 'class ELU:\n def init(self, alpha):\n # <создать атрибут объекта alpha>\n pass\n\n def forward(self, inputs):\n # <реализовать логику ReLU>\n pass'], 21: ['markdown', '## 2.3 Создание функции потерь'], 22: ['markdown', '2.3.1 Используя операции над матрицами и векторами из библиотекиtorch, реализовать функцию потерь MSE:\n\n[image] open\n\nСоздать полносвязный слой с 1 нейроном, прогнать через него батчinputsи посчитать значение MSE, трактуя векторyкак вектор правильных ответов.'], 23: ['code', 'class MSELoss:\n def forward(self, y_pred, y_true):\n return # <реализовать логику MSE>'], 24: ['code', 'inputs = torch.tensor([[1, 2, 3, 2.5], \n [2, 5, -1, 2], \n [-1.5, 2.7, 3.3, -0.8]])\n\ny = torch.tensor([2, 3, 4])'], 25: ['markdown', '2.3.2 Используя операции над матрицами и векторами из библиотекиtorch, реализовать функцию потерь Categorical Cross-Entropy:\n\n\n\nСоздать полносвязный слой с 3 нейронами и прогнать через него батчinputs. Полученный результат пропустить через функцию активации softmax. Посчитать значение CCE, трактуя векторyкак вектор правильных ответов.'], 26: ['code', 'class CategoricalCrossentropyLoss:\n def forward(self, y_pred, y_true):\n # <реализовать логику CCE>\n pass'], 27: ['code', 'inputs = torch.tensor([[1, 2, 3, 2.5], \n [2, 5, -1, 2], \n [-1.5, 2.7, 3.3, -0.8]])\ny = torch.tensor([1, 0, 0])'], 28: ['markdown', '2.3.3 Модифицировать 2.3.1, добавив L2-регуляризацию.\n\n[image] open\n'], 29: ['code', 'class MSELossL2:\n def init(self, lambda_):\n # <создать атрибут объекта alpha>\n pass\n\n def data_loss(self, y_pred, y_true):\n # <подсчет первого слагаемого из формулы>\n pass\n\n def reg_loss(self, layer):\n # используйте атрибуты объекта layer, в которых хранятся веса слоя\n # <подсчет второго слагаемого из формулы>\n pass\n\n def forward(self, y_pred, y_true):\n return self.data_loss(y_pred, y_true) + self.reg_loss(y_pred, y_true)'], 30: ['markdown', '## 2.4 Обратное распространение ошибки'], 31: ['markdown', '2.4.1 Используя один нейрон и SGD (1 пример за шаг), решите задачу регрессии'], 32: ['code', 'from sklearn.datasets import make_regression\n\nX, y, coef = make_regression(n_features=4, n_informative=4, coef=True, bias=0.5)\nX = # <преобразуйте массивы numpy в тензоры torch с типом torch.float32\ny = # <преобразуйте массивы numpy в тензоры torch с типом torch.float32'], 33: ['markdown', 'Граф вычислений для этой задачи'], 34: ['markdown', '2.4.1.1 Реализуйте классSquaredLoss\n'], 35: ['code', 'class SquaredLoss:\n def forward(self, y_pred, y_true):\n return # <реализовать логику MSE>\n\n def backward(self, y_pred, y_true):\n self.dinput = # df/dc\n'], 36: ['markdown', '2.4.1.2. Модифицируйте классNeuronиз 2.1.1:\n\n 1) Сделайте так, чтобы веса нейрона инициализировались из стандартного нормального распределения\n\n 2) Реализуйте расчет градиента относительно весовweightsиbias'], 37: ['code', 'class Neuron:\n def init(self, n_inputs):\n # <создать атрибуты объекта weights и bias>\n pass\n \n def forward(self, inputs):\n return # <реализовать логику нейрона>\n \n def backward(self, dvalue):\n # dvalue - значение производной, которое приходит нейрону от следующего слоя сети\n # в данном случае это будет значение df/dc (созданное методом backwards у объекта MSELoss)\n self.dweights = # df/dW\n self.dinput = # df/wX\n self.dbias = # df/db\n'], 38: ['markdown', '2.4.1.3 Допишите цикл для настройки весов нейрона\n\nSGD\n\n[image] open'], 39: ['code', 'n_inputs = # <размерность элемента выборки >\nlearning_rate = 0.1 # скорость обучения\nn_epoch = 100 # количество эпох\n\nneuron = Neuron(n_inputs)\nloss = MSELoss()\n\nlosses = []\nfor epoch in range(100):\n for x_example, y_example in zip(X, y):\n # forward pass\n y_pred = # <прогон через нейрон>\n curr_loss = # <прогон через функцию потерь>\n losses.append(curr_loss)\n\n # backprop\n # <вызов методов backward>\n # обратите внимание на последовательность вызовов: от конца к началу\n\n # <шаг оптимизации для весов (weights и bias) нейрона>'], 40: ['markdown', '2.4.2 Решите задачу 2.4.1, используя пакетный градиентный спуск'], 41: ['markdown', 'Вычисления для этой задачи: \n1\n2'], 42: ['markdown', '2.4.1.1 Модифицируйте классMSELossиз 2.3.1, реализовав расчет производной относительно предыдущего слоя с учетом того, что теперь работа ведется с батчами, а не с индивидуальными примерами\n '], 43: ['code', 'class MSELoss:\n def forward(self, y_pred, y_true):\n return # <реализовать логику MSE>\n\n def backward(self, y_pred, y_true):\n self.dinput = # df/dy^\n'], 44: ['markdown', '2.4.2.2. Модифицируйте классNeuronиз 2.4.1.2:\n\n 1) Реализуйте методforwardтаким образом, чтобы он мог принимать на вход матрицу (батч) с данными. \n\n 2) Реализуйте расчет градиента относительно весовweightsиbiasс учетом того, что теперь работа ведется с батчами, а не с индивидуальными примерами'], 45: ['code', 'class Neuron:\n def init(self, n_inputs):\n # <создать атрибуты объекта weights и bias>\n pass\n \n def forward(self, inputs):\n return # <реализовать логику нейрона>\n \n def backward(self, dvalue):\n # dvalue - значение градиента, которое приходит нейрону от следующего слоя сети\n # в данном случае это будет градиент L по y^ (созданный методом backwards у объекта MSELoss)\n self.dweights = # df/dW\n self.dbias = # df/db\n'], 46: ['markdown', '2.4.2.3 Допишите цикл для настройки весов нейрона'], 47: ['code', 'n_inputs = # <размерность элемента выборки >\nlearning_rate = 0.1 # скорость обучения\nn_epoch = 100 # количество эпох\n\nneuron = Neuron(n_inputs)\nloss = MSELoss()\n\n\nfor epoch in range(100):\n # forward pass\n y_pred = # <прогон через нейрон>\n curr_loss = # <прогон через функцию потерь>\n losses.append(curr_loss)\n\n # backprop\n # <вызов методов backward>\n # обратите внимание на последовательность вызовов: от конца к началу\n\n # <шаг оптимизации для весов (weights и bias) нейрона>'], 48: ['markdown', '2.4.3 Используя один полносвязный слой и пакетный градиетный спуск, решите задачу регрессии из 2.4.1'], 49: ['markdown', '2.4.3.1 Модифицируйте классLinearиз 2.1.4. (вычисление градиентов)'], 50: ['code', 'class Linear:\n def init(self, n_features, n_neurons):\n # <создать атрибуты объекта weights и biases>\n pass\n \n def forward(self, inputs):\n return # <реализовать логику слоя>\n\n def backward(self, dvalues):\n self.dweights = # df/dW\n self.dbiases = # df/db\n self.dinputs = # df/dX'], 51: ['markdown', '2.4.3.2 Создайте слой с одним нейроном. Используя класс MSELoss из 2.4.2, убедитесь, что модель обучается'], 52: ['markdown', '2.4.4 Используя наработки из 2.4, создайте нейросеть и решите задачу регрессии.\n\nПредлагаемая архитектура: \n1. Полносвязный слой с 10 нейронами\n2. Активация ReLU\n3. Полносвязный слой с 1 нейроном'], 53: ['code', 'X = torch.linspace(-1, 1, 100).view(-1, 1)\ny = X.pow(2) + 0.2 * torch.rand(X.size()) '], 54: ['code', 'class Activation_ReLU:\n def forward(self, inputs):\n self.inputs = inputs\n self.output = inputs.clip(min=0)\n return self.output\n \n def backward(self, dvalues):\n self.dinputs = dvalues.clone()\n self.dinputs[self.inputs <= 0] = 0'], 55: ['code', "# создание компонентов сети\n# fc1 = \n# relu1 = \n# fc2 = \n\nloss = MSELoss()\nlr = 0.02\n\nys = []\nfor epoch in range(2001):\n # \n # fc1 > relu1 > fc2 > loss\n\n data_loss = # <прогон через функцию потерь>\n\n if epoch % 200 == 0:\n print(f'epoch {epoch} mean loss {data_loss}')\n ys.append(out)\n \n # \n # loss > fc2 > relu1 > fc1\n\n # <шаг оптимизации для fc1>\n\n # <шаг оптимизации для fc2>\n"], 56: ['code', 'import matplotlib.pyplot as plt\n\nfig, axs = plt.subplots(len(ys), 1, figsize=(10, 40))\nfor ax, y_ in zip(axs, ys):\n ax.scatter(X.numpy(), y.numpy(), color = "orange")\n ax.plot(X.numpy(), y_.numpy(), 'g-', lw=3)\n ax.set_xlim(-1.05, 1.5)\n ax.set_ylim(-0.25, 1.25)']}Выполни задания из ноутбука. Строго следуй заданию, не меняй его. Смотри, соотносится ли текущий код с предыдущим.Продолжи генерацию предыдущего ответа, опираясь на те же требования. Отвечай в форме json со следующего по порядку номера ячейки в прерыдущем ответе, не переписывая код предыдущих ячеек!. Не закрывай скобку, пока все задания не были выполнены!{'1': ['markdown', '### 2.4.1.1 Реализация классаSquaredLoss\nСоздадим класс для вычисления потерь, который будет включать методы для прямого и обратного прохода.'], '2': ['code', 'class SquaredLoss:\n def forward(self, y_pred, y_true):\n return torch.mean((y_pred - y_true) ** 2)\n\n def backward(self, y_pred, y_true):\n self.dinput = 2 * (y_pred - y_true) / y_true.numel()'], '3': ['markdown', '### 2.4.1.2 Модификация классаNeuron\nТеперь модифицируем классNeuron, чтобы веса инициализировались из стандартного нормального распределения и реализуем расчет градиента.'], '4': ['code', 'class Neuron:\n def init(self, n_inputs):\n self.weights = torch.randn(n_inputs) # Инициализация весов\n self.bias = torch.randn(1) # Инициализация смещения\n\n def forward(self, inputs):\n return torch.dot(inputs, self.weights) + self.bias\n\n def backward(self, dvalue):\n self.dweights = dvalue * self.inputs\n self.dbias = dvalue\n self.dinput = dvalue * self.weights'], '5': ['markdown', '### 2.4.1.3 Цикл для настройки весов нейрона\nТеперь добавим цикл для обновления весов нейрона с использованием стохастического градиентного спуска (SGD).'], '6': ['code', 'class Neuron:\n def init(self, weights, bias):\n self.weights = weights\n self.bias = bias\n\n def forward(self, inputs):\n return torch.dot(inputs, self.weights) + self.bias'], '7': ['code', 'inputs = torch.tensor([1.0, 2.0, 3.0, 4.0])\nweights = torch.tensor([-0.2, 0.3, -0.5, 0.7])\nbias = 3.14\nneuron = Neuron(weights, bias)\noutput = neuron.forward(inputs)\nprint(output)'], '8': ['markdown', '### 2.1.2 Реализация полносвязного слоя'], '9': ['markdown', 'Теперь реализуем полносвязный слой с заданными весамиweightsиbiases. Прогоняем векторinputsчерез слой и выводим результат.'], '10': ['code', 'class Linear:\n def init(self, weights, biases):\n self.weights = weights\n self.biases = biases\n\n def forward(self, inputs):\n return torch.matmul(inputs, self.weights) + self.biases'], '11': ['code', 'inputs = torch.tensor([1.0, 2.0, 3.0, 4.0])\nweights = torch.tensor([[-0.2, 0.3, -0.5, 0.7],\n [0.5, -0.91, 0.26, -0.5],\n [-0.26, -0.27, 0.17, 0.87]]).T\n\nbiases = torch.tensor([3.14, 2.71, 7.2])\nlinear_layer = Linear(weights, biases)\noutput = linear_layer.forward(inputs)\nprint(output)'], '12': ['markdown', '### 2.1.3 Полносвязный слой для батчей\nТеперь реализуем полносвязный слой, который может принимать на вход матрицу (батч) с данными. Результатом прогона сквозь слой должна быть матрица размераbatch_sizexn_neurons.'], '13': ['code', 'inputs = torch.tensor([[1, 2, 3, 2.5], \n [2, 5, -1, 2], \n [-1.5, 2.7, 3.3, -0.8]])'], '14': ['markdown', '### 2.1.4 Полносвязный слой с инициализацией весов\nИспользуя операции над матрицами и векторами из библиотекиtorch, реализуем полносвязный слой изn_neuronsнейронов сn_featuresвесами у каждого нейрона (инициализируются из стандартного нормального распределения). Прогоняем векторinputsчерез слой и выводим результат.'], '15': ['code', 'class Linear:\n def init(self, n_features, n_neurons):\n self.weights = torch.randn(n_features, n_neurons)\n self.biases = torch.zeros(n_neurons)\n\n def forward(self, inputs):\n return torch.matmul(inputs, self.weights) + self.biases'], '16': ['markdown', '### 2.1.5 Создание двух полносвязных слоев\nТеперь создадим 2 полносвязных слоя и пропустим матрицуinputsпоследовательно через эти два слоя. Количество нейронов в первом слое выберем произвольно, а количество нейронов во втором слое выберем так, чтобы результатом прогона являлась матрица (3x7).'], '17': ['code', 'inputs = torch.tensor([[1, 2, 3, 2.5], \n [2, 5, -1, 2], \n [-1.5, 2.7, 3.3, -0.8]])\n\nlayer1 = Linear(4, 5) # 4 входа, 5 нейронов\nlayer2 = Linear(5, 7) # 5 входов, 7 нейронов\noutput1 = layer1.forward(inputs)\noutput2 = layer2.forward(output1)\nprint(output2)'], '18': ['markdown', '## 2.2 Создание функций активации'], '19': ['markdown', '### 2.2.1 Реализация функции активации ReLU\nСоздадим матрицу размера (4,3), заполненную числами из стандартного нормального распределения, и проверим работоспособность функции активации.'], '20': ['code', 'class ReLU:\n def forward(self, inputs):\n return torch.clamp(inputs, min=0)'], '21': ['code', 'relu = ReLU()\ninputs_relu = torch.randn(4, 3)\noutput_relu = relu.forward(inputs_relu)\nprint(output_relu)'], '22': ['markdown', '### 2.2.2 Реализация функции активации softmax\nСоздадим матрицу размера (4,3), заполненную числами из стандартного нормального распределения, и проверим работоспособность функции активации.'], '23': ['code', 'class Softmax:\n def forward(self, inputs):\n exp_values = torch.exp(inputs - torch.max(inputs, dim=1, keepdim=True).values)\n return exp_values / torch.sum(exp_values, dim=1, keepdim=True)'], '24': ['code', 'softmax = Softmax()\ninputs_softmax = torch.randn(4, 3)\noutput_softmax = softmax.forward(inputs_softmax)\nprint(output_softmax)'], '25': ['markdown', '### 2.2.3 Реализация функции активации ELU\nСоздадим матрицу размера (4,3), заполненную числами из стандартного нормального распределения, и проверим работоспособность функции активации.'], '26': ['code', 'class ELU:\n def init(self, alpha):\n self.alpha = alpha\n\n def forward(self, inputs):\n return torch.where(inputs > 0, inputs, self.alpha * (torch.exp(inputs) - 1))'], '27': ['code', 'elu = ELU(alpha=1.0)\ninputs_elu = torch.randn(4, 3)\noutput_elu = elu.forward(inputs_elu)\nprint(output_elu)'], '28': ['markdown', '## 2.3 Создание функции потерь'], '29': ['markdown', '### 2.3.1 Реализация функции потерь MSE\nСоздадим полносвязный слой с 1 нейроном, прогоняем через него батчinputsи считаем значение MSE.'], '30': ['code', 'class MSELoss:\n def forward(self, y_pred, y_true):\n return torch.mean((y_pred - y_true) ** 2)'], '31': ['markdown', '### 2.3.2 Реализация функции потерь Categorical Cross-Entropy\nСоздадим полносвязный слой с 3 нейронами и прогоняем через него батчinputs. Полученный результат пропускаем через функцию активации softmax. Считаем значение CCE.'], '32': ['code', 'class CategoricalCrossentropyLoss:\n def forward(self, y_pred, y_true):\n return -torch.sum(y_true * torch.log(y_pred + 1e-12)) / y_true.shape[0]'], '33': ['code', 'inputs = torch.tensor([[1, 2, 3, 2.5], \n [2, 5, -1, 2], \n [-1.5, 2.7, 3.3, -0.8]])\ny = torch.tensor([1, 0, 0])\nlinear_layer = Linear(4, 3)\ny_pred = linear_layer.forward(inputs)\ny_pred_softmax = softmax.forward(y_pred)\ncce_loss = CategoricalCrossentropyLoss().forward(y_pred_softmax, y)\nprint(cce_loss)'], '34': ['markdown', '### 2.3.3 Реализация MSE с L2-регуляризацией\nМодифицируем 2.3.1, добавив L2-регуляризацию.'], '35': ['code', 'class MSELossL2:\n def init(self, lambda_):\n self.lambda_ = lambda_\n\n def data_loss(self, y_pred, y_true):\n return torch.mean((y_pred - y_true) ** 2)\n\n def reg_loss(self, layer):\n return self.lambda_ * torch.sum(layer.weights ** 2)\n\n def forward(self, y_pred, y_true, layer):\n return self.data_loss(y_pred, y_true) + self.reg_loss(layer)'], '36': ['markdown', '## 2.4 Обратное распространение ошибки'], '37': ['markdown', '### 2.4.1 Решение задачи регрессии с одним нейроном и SGD']} Assistant: - Assistant
{ "38": [ "markdown", "### 2.4.1.1 Преобразование данных\nСначала преобразуем массивы numpy в тензоры torch с типом torch.float32." ], "39": [ "code", "import torch\nfrom sklearn.datasets import make_regression\n\nX, y, coef = make_regression(n_features=4, n_informative=4, coef=True, bias=0.5)\nX = torch.tensor(X, dtype=torch.float32)\ny = torch.tensor(y, dtype=torch.float32)" ], "40": [ "markdown", "### 2.4.1.2 Реализация класса `SquaredLoss`\nТеперь реализуем класс для вычисления среднеквадратической ошибки и ее градиента." ], "41": [ "code", "class SquaredLoss:\n def forward(self, y_pred, y_true):\n return torch.mean((y_pred - y_true) ** 2)\n\n def backward(self, y_pred, y_true):\n self.dinput = 2 * (y_pred - y_true) / y_true.numel()" ], "42": [ "markdown", "### 2.4.1.3 Модификация класса `Neuron`\nМодифицируем класс `Neuron`, чтобы он инициализировал веса из стандартного нормального распределения и реализовал расчет градиента." ], "43": [ "code", "class Neuron:\n def __init__(self, n_inputs):\n self.weights = torch.randn(n_inputs)\n self.bias = torch.randn(1)\n\n def forward(self, inputs):\n self.inputs = inputs\n return torch.dot(inputs, self.weights) + self.bias\n\n def backward(self, dvalue):\n self.dweights = dvalue * self.inputs\n self.dbias = dvalue\n self.dinput = dvalue * self.weights" ], "44": [ "markdown", "### 2.4.1.4 Цикл для настройки весов нейрона\nТеперь дополним цикл для обновления весов нейрона с использованием стохастического градиентного спуска (SGD)." ], "45": [ "code", "n_inputs = X.shape[1] # Размерность элемента выборки\nlearning_rate = 0.1 # Скорость обучения\nn_epoch = 100 # Количество эпох\n\nneuron = Neuron(n_inputs)\nloss = SquaredLoss()\n\nfor epoch in range(n_epoch):\n for x_example, y_example in zip(X, y):\n # Подаем пример на вход нейрону\n y_pred = neuron.forward(x_example)\n # Считаем потерю\n curr_loss = loss.forward(y_pred, y_example)\n\n # Обратный проход\n loss.backward(y_pred, y_example)\n neuron.backward(loss.dinput)\n\n # Обновляем веса\n neuron.weights -= learning_rate * neuron.dweights\n neuron.bias -= learning_rate * neuron.dbias\n\n if epoch % 10 == 0:\n print(f'Epoch {epoch}, Loss: {curr_loss}')" ] }
Other models, same or similar prompt
Responses were produced in different, uncontrolled contexts (system prompts, settings, prior turns). This is not a benchmark.