Notice: This page requires JavaScript to function properly.
Please enable JavaScript in your browser settings or update your browser.
Aprende Desafío: Implementación de Regresión Lineal | Conceptos Más Avanzados
Esenciales de PyTorch

bookDesafío: Implementación de Regresión Lineal

Tarea

Swipe to start coding

Se proporciona un conjunto de datos que contiene información sobre el número de horas que los estudiantes estudiaron y sus respectivas calificaciones en los exámenes. Su tarea es entrenar un modelo de regresión lineal con estos datos.

  1. Convertir estas columnas en tensores de PyTorch y redimensionarlas para asegurarse de que sean 2D con formas [N, 1].
  2. Definir un modelo simple de regresión lineal.
  3. Utilizar MSE como función de pérdida.
  4. Definir el optimizer como SGD con una tasa de aprendizaje igual a 0.01.
  5. Entrenar el modelo de regresión lineal para predecir las calificaciones en función del número de horas estudiadas. En cada época:
    • Calcular las predicciones sobre X_tensor;
    • Calcular la pérdida;
    • Reiniciar el gradiente;
    • Realizar la retropropagación;
    • Actualizar los parámetros.
  6. Acceder a los parámetros del modelo (pesos y sesgo).

Solución

¿Todo estuvo claro?

¿Cómo podemos mejorarlo?

¡Gracias por tus comentarios!

Sección 2. Capítulo 4
single

single

Pregunte a AI

expand

Pregunte a AI

ChatGPT

Pregunte lo que quiera o pruebe una de las preguntas sugeridas para comenzar nuestra charla

close

Awesome!

Completion rate improved to 5

bookDesafío: Implementación de Regresión Lineal

Desliza para mostrar el menú

Tarea

Swipe to start coding

Se proporciona un conjunto de datos que contiene información sobre el número de horas que los estudiantes estudiaron y sus respectivas calificaciones en los exámenes. Su tarea es entrenar un modelo de regresión lineal con estos datos.

  1. Convertir estas columnas en tensores de PyTorch y redimensionarlas para asegurarse de que sean 2D con formas [N, 1].
  2. Definir un modelo simple de regresión lineal.
  3. Utilizar MSE como función de pérdida.
  4. Definir el optimizer como SGD con una tasa de aprendizaje igual a 0.01.
  5. Entrenar el modelo de regresión lineal para predecir las calificaciones en función del número de horas estudiadas. En cada época:
    • Calcular las predicciones sobre X_tensor;
    • Calcular la pérdida;
    • Reiniciar el gradiente;
    • Realizar la retropropagación;
    • Actualizar los parámetros.
  6. Acceder a los parámetros del modelo (pesos y sesgo).

Solución

Switch to desktopCambia al escritorio para practicar en el mundo realContinúe desde donde se encuentra utilizando una de las siguientes opciones
¿Todo estuvo claro?

¿Cómo podemos mejorarlo?

¡Gracias por tus comentarios!

close

Awesome!

Completion rate improved to 5
Sección 2. Capítulo 4
single

single

some-alt