Propagación hacia delante, pérdida, retropropagación y paso
Los cuatro movimientos de una iteración de entrenamiento
Propagación hacia delante, pérdida, retropropagación y paso es una lección gratuita de Deep Learning Academy en CoddyKit. Esta es la lección 1 de 4. Puedes leer la lección completa abajo gratuitamente — luego la practicas en el navegador con un editor de código integrado y un tutor de IA 24/7. Forma parte de la ruta de aprendizaje de Deep Learning Academy, y tu progreso se sincroniza en la web y la app de CoddyKit. El curso de Deep Learning Academy incluye 4 lecciones en total.
Cuatro movimientos, un solo ritmo
Cada iteración de entrenamiento consiste en repetir cuatro movimientos: forward, loss, backward y step. Aprenda este ritmo y todo el bucle de entrenamiento dejará de parecer misterioso. 🥁
Movimiento uno: forward
El forward pass envía la entrada a través del modelo para producir una predicción. Solo tiene que llamar al modelo con un lote de datos y leer la salida.
pred = model(x)Logits, todavía no respuestas
La salida de forward suele ser un conjunto de puntuaciones sin procesar llamadas logits, no etiquetas claras. La función de pérdida sabe leer estas puntuaciones directamente, así que debe dejarlas tal cual.
Movimiento dos: loss
A continuación, mida cuánto se equivocó la predicción. La loss compara la salida con las etiquetas verdaderas y reduce el error a un solo número.
loss = loss_fn(pred, y)Menor loss, mejor modelo
Una loss grande indica una predicción deficiente y una pequeña, una buena predicción. El entrenamiento tiene una única misión: hacer que este número disminuya de forma constante.
Movimiento tres: backward
Ahora debe determinar en qué dirección ajustar cada peso. El backward pass usa autograd para calcular cada gradiente y rellenar por usted el atributo .grad de cada parámetro.
loss.backward()Los gradientes indican direcciones
Cada gradient le indica cómo cambiaría la loss si modificara ese peso. Son el mapa que sigue el optimizador para avanzar hacia un modelo mejor.
Movimiento cuatro: step
Por último, el optimizador aplica esos gradientes y ajusta un poco cada peso. Este step es el momento en que el modelo realmente aprende de su error.
optimizer.step()Borre los gradientes
Los gradientes se acumulan de forma predeterminada, así que antes del siguiente backward debe llamar a zero_grad. Si lo omite, los gradientes antiguos corromperán la siguiente actualización.
optimizer.zero_grad()El movimiento completo
Al unir los cuatro movimientos obtiene una iteration limpia. Escribirá este patrón exacto en casi todos los proyectos de PyTorch que desarrolle.
optimizer.zero_grad()
pred = model(x)
loss = loss_fn(pred, y)
loss.backward()
optimizer.step()Después, repítalo
Ejecute estos movimientos lote tras lote y la loss disminuirá un poco cada vez. Miles de pequeñas actualizaciones convierten unos pesos aleatorios en una capacidad real.
Comprobación rápida
¿Qué llamada calcula realmente los gradientes de cada peso?
Resumen
Una iteración consta de cuatro movimientos: forward para obtener una predicción, loss para medir el error, backward para calcular los gradientes y step para actualizar los pesos. Repita el proceso para aprender. 🎉
Aprende Python con un tutor de IA — gratis
Escribe y ejecuta código real en tu navegador, obtén ayuda instantánea de un tutor de IA disponible 24/7 y continúa donde lo dejaste en la web o en la aplicación.
- Cursos
- 30
- Lecciones
- 120
Preguntas frecuentes
¿La lección «Propagación hacia delante, pérdida, retropropagación y paso» es gratis?
Sí — el texto completo de «Propagación hacia delante, pérdida, retropropagación y paso» es gratis para leer aquí en la web. Para practicarla de forma interactiva (editor de código integrado y tutor de IA 24/7) y desbloquear el resto del curso de Deep Learning Academy, actualiza a CoddyKit PRO. El curso de Deep Learning Academy incluye 4 lecciones en total.
¿Qué aprenderé en «Propagación hacia delante, pérdida, retropropagación y paso»?
Los cuatro movimientos de una iteración de entrenamiento Practicas Deep Learning Academy con código real que ejecutas directamente en el navegador, y un tutor de IA 24/7 responde tus preguntas mientras trabajas en la lección.
¿Necesito experiencia previa para empezar Deep Learning Academy?
No se requiere experiencia previa. Deep Learning Academy en CoddyKit está estructurado para principiantes hasta estudiantes avanzados, así que puedes empezar aquí o desde el inicio y avanzar a tu ritmo. Esta es la lección 1 de 4.
¿Cuánto tiempo toma la lección «Propagación hacia delante, pérdida, retropropagación y paso»?
La mayoría de las lecciones de CoddyKit toman alrededor de 5–10 minutos. Cada una es compacta e interactiva, así que avanzas constantemente y retomas exactamente por donde dejaste en la web y la app.
¿Puedo escribir y ejecutar código en esta lección de Deep Learning Academy?
Sí. Cada lección de Deep Learning Academy incluye un editor de código integrado, así que escribes y ejecutas código real directamente en tu navegador y obtienes retroalimentación instantánea de IA — sin configuración local necesaria.
Todas las lecciones de este curso
- Propagación hacia delante, pérdida, retropropagación y paso
- Escriba un bucle de entrenamiento mínimo
- Supervise la precisión durante el entrenamiento
- Modo de entrenamiento frente a modo de evaluación