动手学深度学习PyTorch版

最新推荐文章于 2025-03-27 14:20:09 发布

托比-马奎尔

最新推荐文章于 2025-03-27 14:20:09 发布

阅读量609

点赞数 8

分类专栏： Pytorch Python 文章标签：深度学习 pytorch 人工智能

本文链接：https://blog.youkuaiyun.com/qq_47896523/article/details/136578631

版权

本文介绍了在Python中使用概率理论进行实验模拟（如掷骰子实验），随机梯度下降的基本概念，以及正态分布和平方损失的应用。还详细展示了如何实现线性回归和Softmax回归，包括数据预处理、模型定义和训练过程，以及使用Fashion-MNIST数据集进行图像分类的例子。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

概率

# 用于处理日期和时间
%pip install pytz
# 包含了许多用于数学、科学和工程的函数
%pip install scipy
# 在Jupyter笔记本中嵌入绘图
%matplotlib inline
import torch
# multinomial是一个用于生成多项式分布的类
from torch.distributions import multinomial
from d2l import torch as d2l

概率向量

# 输入的是概率向量
fair_probs = torch.ones([6]) / 6

# 输出是另一个相同长度的向量：它在索引i处的值是采样结果中i出现的次数
multinomial.Multinomial(1, fair_probs).sample()
# tensor([0., 1., 0., 0., 0., 0.])

multinomial.Multinomial(10, fair_probs).sample()
# tensor([2., 2., 1., 3., 1., 1.])

掷骰子实验

进行500组实验，每组抽取10个样本

counts = multinomial.Multinomial(10, fair_probs).sample((500, ))
print(counts)

cum_counts = counts.cumsum(dim=0)
print(cum_counts)

# total_count = cum_counts.sum()
# estimates = cum_counts / total_count
estimates = cum_counts / cum_counts.sum(dim=1, keepdims=True)
print(estimates)

# estimates = estimates.view(-1, 1)
d2l.set_figsize((6, 4.5))
for i in range(6):
    d2l.plt.plot(estimates[:, i].numpy(),
                label=("P(die=" + str(i + 1) + ")"))
    
d2l.plt.axhline(y=0.167, color='black', linestyle='dashed')
d2l.plt.gca().set_xlabel('Groups of experiments')
d2l.plt.gca().set_ylabel('Estimated probability')
d2l.plt.legend()