利用pytorch求复杂函数解

import numpy as np
from mpl_toolkits.mplot3d import Axes3D
from matplotlib import pyplot as plt
import torch


def himmelblau(x):
    return (x[0]**2 + x[1] - 11)**2 + (x[0] + x[1]**2 - 7)**2


x = np.arange(-6, 6, 0.1)
y = np.arange(-6, 6, 0.1)
print('x,y range:', x.shape, y.shape)
# 绘制网格
X, Y = np.meshgrid(x, y)
print('X,Y maps:', X.shape, Y.shape)
Z = himmelblau([X, Y])

fig = plt.figure('himmelblau')
ax = fig.gca(projection='3d')
ax.plot_surface(X, Y, Z)
ax.view_init(60, -30)
ax.set_xlabel('x')
ax.set_ylabel('y')
plt.show()
# [1., 0.], [-4, 0.], [4, 0.]
x = torch.tensor([-4., 0.], requires_grad=True)
optimizer = torch.optim.Adam([x], lr=1e-3)
for step in range(20000):
    pred = himmelblau(x)
    optimizer.zero_grad()
    pred.backward()
    optimizer.step()
    if step % 2000 == 0:
        print('step {}: x = {}, f(x) = {}'.format(step, x.tolist(),
                                                  pred.item()))

求下面函数等于零的点
f ( x , y ) = ( x 2 + y − 11 ) 2 + ( x + y 2 − 7 ) 2 f(x,y)=(x^2+y-11)^2+(x+y^2-7)^2 f(x,y)=(x2+y11)2+(x+y27)2
在这里插入图片描述
效果
在这里插入图片描述

  • 0
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
利用PyTorch搭建卷积神经网络(CNN)时,需要使用`torch.nn`模块中的类来定义网络的结构和操作。以下是一个简单的示例,展示如何使用PyTorch搭建一个包含卷积层、池化层和全连接层的CNN。 ```python import torch import torch.nn as nn # 定义CNN模型 class CNN(nn.Module): def __init__(self): super(CNN, self).__init__() # 卷积层 self.conv1 = nn.Conv2d(in_channels=1, out_channels=16, kernel_size=3, stride=1, padding=1) # 池化层 self.pool = nn.MaxPool2d(kernel_size=2, stride=2) # 全连接层 self.fc1 = nn.Linear(16 * 14 * 14, 10) # 输入尺寸:16个通道,14x14的特征图 def forward(self, x): # 前向传播 x = self.conv1(x) x = nn.ReLU()(x) x = self.pool(x) x = x.view(x.size(0), -1) # 展平特征图 x = self.fc1(x) return x # 创建CNN模型实例 model = CNN() # 打印模型结构 print(model) ``` 在上述代码中,我们定义了一个名为`CNN`的子类,继承自`nn.Module`。在`__init__`方法中,我们定义了卷积层`self.conv1`、池化层`self.pool`和全连接层`self.fc1`。在`forward`方法中,我们定义了模型的前向传播过程,通过调用卷积层、激活函数、池化层和全连接层来构建整个网络结构。 通过创建`CNN`类的实例,我们可以得到一个具有卷积层、池化层和全连接层的CNN模型。最后,我们使用`print(model)`打印模型的结构。 这只是一个简单的CNN模型示例,你可以根据具体任务的需,自定义和添加更多的卷积层、池化层和全连接层来构建更复杂的网络结构。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值