Desafío: Clasificación de Flores
Tarea
Swipe to start coding
Tu objetivo es entrenar y evaluar una red neuronal simple utilizando el conjunto de datos Iris, que consiste en mediciones de flores y clasificación de especies.
- Divide el conjunto de datos en conjuntos de entrenamiento y prueba, asignando el 20% para el conjunto de prueba y estableciendo el estado aleatorio en
42
. - Convierte
X_train
yX_test
en tensores de PyTorch de tipofloat32
. - Convierte
y_train
yy_test
en tensores de PyTorch de tipolong
. - Define un modelo de red neuronal creando la clase
IrisModel
. - Implementa dos capas totalmente conectadas y aplica la función de activación ReLU en la capa oculta.
- Inicializa el modelo con el tamaño de entrada correcto, tamaño de la capa oculta igual a
16
y tamaño de salida. - Define la función de pérdida como cross-entropy loss y el optimizador como Adam con una tasa de aprendizaje de
0.01
. - Entrena el modelo durante 100 épocas realizando propagación hacia adelante, cálculo de la pérdida, retropropagación y actualización de los parámetros del modelo.
- Establece el modelo en modo de evaluación después del entrenamiento.
- Desactiva el cálculo de gradientes durante la prueba para mejorar la eficiencia.
- Calcula las predicciones en el conjunto de prueba utilizando el modelo entrenado.
- Determina las etiquetas de clase predichas a partir de las predicciones en bruto.
Solución
¿Todo estuvo claro?
¡Gracias por tus comentarios!
Sección 3. Capítulo 4
single
Pregunte a AI
Pregunte a AI
Pregunte lo que quiera o pruebe una de las preguntas sugeridas para comenzar nuestra charla
Suggested prompts:
Resumir este capítulo
Explicar el código en file
Explicar por qué file no resuelve la tarea
Awesome!
Completion rate improved to 5
Desafío: Clasificación de Flores
Desliza para mostrar el menú
Tarea
Swipe to start coding
Tu objetivo es entrenar y evaluar una red neuronal simple utilizando el conjunto de datos Iris, que consiste en mediciones de flores y clasificación de especies.
- Divide el conjunto de datos en conjuntos de entrenamiento y prueba, asignando el 20% para el conjunto de prueba y estableciendo el estado aleatorio en
42
. - Convierte
X_train
yX_test
en tensores de PyTorch de tipofloat32
. - Convierte
y_train
yy_test
en tensores de PyTorch de tipolong
. - Define un modelo de red neuronal creando la clase
IrisModel
. - Implementa dos capas totalmente conectadas y aplica la función de activación ReLU en la capa oculta.
- Inicializa el modelo con el tamaño de entrada correcto, tamaño de la capa oculta igual a
16
y tamaño de salida. - Define la función de pérdida como cross-entropy loss y el optimizador como Adam con una tasa de aprendizaje de
0.01
. - Entrena el modelo durante 100 épocas realizando propagación hacia adelante, cálculo de la pérdida, retropropagación y actualización de los parámetros del modelo.
- Establece el modelo en modo de evaluación después del entrenamiento.
- Desactiva el cálculo de gradientes durante la prueba para mejorar la eficiencia.
- Calcula las predicciones en el conjunto de prueba utilizando el modelo entrenado.
- Determina las etiquetas de clase predichas a partir de las predicciones en bruto.
Solución
¿Todo estuvo claro?
¡Gracias por tus comentarios!
Awesome!
Completion rate improved to 5Sección 3. Capítulo 4
single