main.py
Costs 1 credit
加载编辑器中...
输出 Output执行成功
# 运行代码后，输出将显示在这里 # 按 Ctrl+Enter 快速运行
Terminal (Simulated)Install commands are simulated only, no real network requests
$
Step 1: 实现 L2 损失函数 (Loss Function)
在深度学习中，我们不关心错误的方向（是多了还是少了），只关心错误的幅度。因此，我们通常使用“平方差”来消除负号并放大错误。
底层逻辑：
平方操作会让大误差权重更高，便于模型优化时重点修正。
(prediction - truth) ** 2 是最常见回归误差度量之一。平方操作会让大误差权重更高，便于模型优化时重点修正。
请严格按照以下步骤编写代码：
- 定义变量
prediction（模型预测值），赋值为120。 - 定义变量
truth（真实值），赋值为100。 - 计算两者的差值，存入变量
diff。 - 计算
diff的平方（使用**运算符），存入变量loss。 - 打印
loss。
Self-Check List
- 定义 prediction 和 truth 变量
- 计算差值 diff (120 - 100)
- 使用幂运算符 (**) 计算平方 loss
- 打印最终的 loss 结果
Transfer Template
Python 的平方符号是两个星号：** 不要使用 ^ 符号，那是位运算（异或）！
After completing this step, you should be able to independently explain and reproduce this concept, then apply it to similar problems.