莫烦Pytorch神经网络第二章代码修改

import torch import numpy as np""" Numpy Torch对比课程 """ # #tensor与numpy格式数据相互转换 # np_data = np.arange(6).reshape((2,3)) # print(np_data) # # torch_data = torch.from_numpy(np_data) # print('\n',torch_data) # # tensor2array = torch_data.numpy() # print('\n',tensor2array)# #abs绝对值 # data = [-1,-2,1,2] # tensor = torch.FloatTensor(data) #32bit # print(abs(tensor)) # print('\n',np.abs(data)) # print('\n',torch.abs(tensor))# #矩阵相乘 # data = [[1,2],[3,4]] # tensor = torch.FloatTensor(data) #32-bit # print('\n',np.matmul(data,data)) # print('\n',torch.mm(tensor,tensor)) # # #注意：numpy.dot实现的是叉乘，tensor.dot是点乘 # data = np.array(data) # print('\n',data.dot(data)) # print('\n',tensor.dot(tensor)) #注意这里会报错 新版本的要求dot需要一维输入，而我们设定的tensor是二维,旧版本实现的是点乘""" Variable变量课程 """# #这节内容我学习了一下 但是无法运行，原因是新版本的torch的Variable函数将返回tensor数据，同时requires_grad将有默认值，无需填写。var.backward()函数可以直接支持使用tensor了。 # from torch.autograd import Variable # # tensor = torch.FloatTensor[[1,2],[3,4]] # variable = Variable(tensor,requires_grad = True) # # t_out = torch.mean(tensor*tensor) # v_out = torch.mean(variable*variable) # # v_out.backward() # print(variable.grad) # print(variable.data) #tensor形势 # print(variable.data.numpy)""" 激励函数课程 """ import torch.nn.functional as F from torch.autograd import Variable import matplotlib.pyplot as plt#fake data x = torch.linspace(-5,5,200) x = Variable(x) x_np = x.data.numpy() #画图时要转化为numpy格式y_relu = F.relu(x).data.numpy() y_sigmoid = F.sigmoid(x).data.numpy() y_tanh = F.tanh(x).data.numpy() y_softplus = F.softplus(x).data.numpy()plt.subplot(221) plt.plot(x_np,y_relu,c='red',label='relu') plt.ylim((-1,5)) plt.legend(loc="best")plt.subplot(222) plt.plot(x_np,y_sigmoid,c='red',label='sigmoid') plt.ylim((-0.2,1.2)) plt.legend(loc="best")plt.subplot(223) plt.plot(x_np,y_tanh,c='red',label='tanh') plt.ylim((-1.2,1.2)) plt.legend(loc="best")plt.subplot(224) plt.plot(x_np,y_softplus,c='red',label='softplus') plt.ylim((-0.2,6)) plt.legend(loc="best")plt.show()

总结

以上是生活随笔为你收集整理的莫烦Pytorch神经网络第二章代码修改的全部内容，希望文章能够帮你解决所遇到的问题。

如果觉得生活随笔网站内容还不错，欢迎将生活随笔推荐给好友。