Pytorch(四) 几种简单激励函数的绘制

Pytorch(四) 几种简单激励函数的绘制

绘制激励函数

• relu
• sigmoid
• tanh
• softplus

1.导入模块

import torch
import torch.nn.functional as F
import matplotlib.pyplot as plt

2.假定数据

这里我们对原来的线性数据x进行激活函数的运算
假设它是属于-5到5之间的数据,我们通过linspace将它分为200份

# fake data
x = torch.linspace(-5, 5, 200)
x_np = x.data.numpy()

3.通过不同的激活函数得到的结果

softmax 也是种常用的激活函数,但是它计算的是概率,所以无法用线图来展示效果,之后将介绍的图像分类中就用到了它

y_relu = torch.relu(x).data.numpy()
y_sigmoid = torch.sigmoid(x).data.numpy()
y_tanh = torch.tanh(x).data.numpy()
y_softplus = F.softplus(x).data.numpy()
# softmax 计算概率,无法用线图呈现

4.图像绘制

• plt.figure 设置宽高
• plt.subplot(221) 绘制时 分成 2*2 四份 这里绘制第一份(左上角)

plt.figure(1, figsize=(8, 6))

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()

5.结果展示

全代码

import torch
import torch.nn.functional as F
import matplotlib.pyplot as plt

# fake data
x = torch.linspace(-5, 5, 200)
x_np = x.data.numpy()
y_relu = torch.relu(x).data.numpy()
y_sigmoid = torch.sigmoid(x).data.numpy()
y_tanh = torch.tanh(x).data.numpy()
y_softplus = F.softplus(x).data.numpy()
# softmax 计算概率,无法用线图呈现

plt.figure(1, figsize=(8, 6))

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()