RuixuanZhang的博客

【代码】pytorch框架学习笔记。

import torchimport torch.nn as nnimport numpy as npimport matplotlib.pyplot as plt# 逻辑回归（Logistic Regression）# LR是线性的二分类模型# y = f(wx+b) f(x) = 1/(1+e**-x) f(x)也称为Sigmoid函数或者Logistic函数# LR作用：将输入数据映射到[0,1]# 过程量分类采用“四舍五入，实现整体二分类# 线性回归是分析自变量x与标量y之间的关系

import torchimport torch.nn as nnimport numpy as npimport matplotlib.pyplot as plt# autograd# fn1:torch.autograd.backward()自动求取梯度# 参数：tensors:用于求导的tensor；retain_graph:保存计算图；create_graph:创建导数计算图，用于高阶求导；grad_tensors：多梯度权重# fn2:torch.autograd.grad()自动

import torchimport numpy as npimport matplotlib.pyplot as plt# 计算图（Computer Graph）是用来描述运算的有向无环图# CG包括两个主要元素：结点（Node）、边（Edge）# Node表示数据# Edge表示运算# 如果想使用非leaf结点的梯度。则需要在反向传播之前调用.retain_grad（）# CG作用：方便梯度求取及反向传播# 案例# y = (x+w)(w+1)，则当w=1，x=2时，y对w的gra

import torchimport numpy as npimport matplotlib.pyplot as plt# (一元)线性回归# 线性回归是分析一个变量与其他变量之间关系的方法# 求解步骤：1、确定model（y = wx + b）；2、选择Loss函数（MSE,交叉熵）；3、设置LR、求解grad用于更新参数w,b# w = w-LR*W.grad b = b-LR*b.grad# 案例# 设置训练参数lr = 0.1 # 学习率x = torch.rand

import torchimport numpy as nptensor = torch.ones((3, 3))print(tensor)# tensor拼接# cat()将tensor按照维度dim进行拼接。tensors=张量序列。dim=要拼接的维度t_cat_0 = torch.cat([tensor, tensor], dim=0) # tensor在第0维度自拼接，第0维度相当于在（x,y）的x处拼接，因此输出为（6，3）print(t_cat_0, t_cat_0.sha

import torchimport numpy as np'''张量（Tensor）tensor是一个多维数组，他是标量、向量、矩阵的高维拓展，其中，标量是0维张量，向量是1维张量，矩阵是2维张量，RGB图像是3维张量.tensor共有三类创建方式：直接式、基于数值式、基于概率式'''# 1、直接式array = np.zeros((3, 3))tensor1 = torch.tensor(array) # array作为导入数据创建tensor，不共享idtensor2 = t