个人笔记--python用tanh画圆形，正方形，长方形（epsilon界面宽度）

已于 2024-06-03 22:38:23 修改
阅读量272 收藏
点赞数 2
分类专栏： Python 个人笔记 文章标签： python
于 2024-06-03 17:51:47 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/pdc31czy/article/details/139419898
版权

用tanh函数画图

圆形

在这里插入图片描述

import numpy as np
import matplotlib.pyplot as plt

# 创建一个二维网格
xx = np.linspace(-1, 1, 1000)
yy = np.linspace(-1, 1, 1000)
x_i, y_i = np.meshgrid(xx, yy)

# 圆的半径和中心
r = 0.4
center_x, center_y = 0, 0  # 假设圆心在(0, 0)

# 计算每个网格点到圆心的距离
distance = np.sqrt((x_i - center_x) ** 2 + (y_i - center_y) ** 2)

# 使用tanh函数来近似表示半圆区域
# 注意：tanh函数不能直接用于表示半圆，但我们可以通过设置阈值来近似表示
epsilon = 0.01 # 控制tanh函数的“陡峭度”
u0 = 0.5 * (1 + np.tanh((r - distance) / epsilon))
u0[distance > r] = -1  # 强制圆外的值为-1

# 绘制结果
fig, ax = plt.subplots()
p = ax.pcolormesh(x_i, y_i, u0, cmap='viridis', shading='auto')
ax.set_aspect('equal', 'box')  # 保持x和y轴的比例相同
fig.colorbar(p, ax=ax, label='u0 Value')

# 设置标题和坐标轴标签
plt.title('Approximate Half Circle using tanh')
plt.xlabel('X')
plt.ylabel('Y')

# 显示图形
plt.show()

半圆

在这里插入图片描述

import numpy as np
import matplotlib.pyplot as plt

# 创建一个二维网格
xx = np.linspace(-1, 1, 1000)
yy = np.linspace(-1, 1, 1000)
x_i, y_i = np.meshgrid(xx, yy)

# 圆的半径和中心
r = 0.4
center_x, center_y = 0, -1  # 假设圆心在(0, -1)

# 计算每个网格点到圆心的距离
distance = np.sqrt((x_i - center_x) ** 2 + (y_i - center_y) ** 2)

# 使用tanh函数来近似表示半圆区域
# 注意：tanh函数不能直接用于表示半圆，但我们可以通过设置阈值来近似表示
epsilon = 0.01 # 控制tanh函数的“陡峭度”
u0 = 0.5 * (1 + np.tanh((r - distance) / epsilon))
u0[distance > r] = -1  # 强制圆外的值为-1

# 绘制结果
fig, ax = plt.subplots()
p = ax.pcolormesh(x_i, y_i, u0, cmap='viridis', shading='auto')
ax.set_aspect('equal', 'box')  # 保持x和y轴的比例相同
fig.colorbar(p, ax=ax, label='u0 Value')

# 设置标题和坐标轴标签
plt.title('Approximate Half Circle using tanh')
plt.xlabel('X')
plt.ylabel('Y')

# 显示图形
plt.show()

两个圆形

在这里插入图片描述
在这里插入图片描述

import numpy as np
import matplotlib.pyplot as plt

# 创建一个二维网格
xx = np.linspace(0, 1, 1000)
yy = np.linspace(0, 1, 1000)
x_i, y_i = np.meshgrid(xx, yy)

# 圆的半径和中心
r1 = 0.15  # 如果要分开点，就设为0.14
r2 = 0.15  # 如果要分开点，就设为0.14
center_x1, center_y1 = 0.35, 0.5  # 圆心1
center_x2, center_y2 = 0.65, 0.5  # 圆心2

# 计算每个网格点到圆心的距离
distance1 = np.sqrt((x_i - center_x1) ** 2 + (y_i - center_y1) ** 2)
distance2 = np.sqrt((x_i - center_x2) ** 2 + (y_i - center_y2) ** 2)

# 使用tanh函数来近似表示半圆区域
# 注意：tanh函数不能直接用于表示半圆，但我们可以通设置阈值来近似表示
epsilon = 0.01 # 控制tanh函数的“陡峭度”
phi1 = np.tanh((r1 - distance1) / (2 * epsilon))
phi2 = np.tanh((r2 - distance2) / (2 * epsilon))

u0 = np.maximum(phi1, phi2)
# u0 = 1 * (1 + phi1 + phi2)  # 两种都可以生成两个圆

# 分别找出距离两个圆心都大于半径的点的索引
outside_circle1 = distance1 > r1
outside_circle2 = distance2 > r2

# 使用逻辑与来找出两个条件都满足的点
outside_both_circles = np.logical_and(outside_circle1, outside_circle2)

# 将这些点对应的u0值设置为-1
u0[outside_both_circles] = -1

# 绘制结果
fig, ax = plt.subplots()
p = ax.pcolormesh(x_i, y_i, u0, cmap='viridis', shading='auto')
ax.set_aspect('equal', 'box')  # 保持x和y轴的比例相同
fig.colorbar(p, ax=ax, label='u0 Value')

# 设置标题和坐标轴标签
plt.title('Approximate Half Circle using tanh')
plt.xlabel('X')
plt.ylabel('Y')

# 显示图形
plt.show()

正方形(不带界面过渡）

在这里插入图片描述

import numpy as np
import matplotlib.pyplot as plt

# 创建一个二维网格
xx = np.linspace(-1, 1, 1000)
yy = np.linspace(-1, 1, 1000)
x_i, y_i = np.meshgrid(xx, yy)

# 正方形的中心和边长
center_x, center_y = 0, 0  # 假设正方形中心在(0, 0)，为了简化计算
side_length = 0.5  # 正方形边长的一半

# 使用tanh函数来近似正方形的四个边界
# 注意：这不是一个完美的正方形，只是一个近似
epsilon = 0.01  # 控制tanh函数的“陡峭度”

# 近似上边界
u_top = 0.5 * (1 + np.tanh((side_length - np.abs(y_i - center_y)) / epsilon))
# 近似下边界
u_bottom = 0.5 * (1 + np.tanh((side_length - np.abs(y_i + center_y)) / epsilon))
# 近似左边界
u_left = 0.5 * (1 + np.tanh((side_length - np.abs(x_i - center_x)) / epsilon))
# 近似右边界
u_right = 0.5 * (1 + np.tanh((side_length - np.abs(x_i + center_x)) / epsilon))

# 四个边界的交集（即正方形内部）应取得高值
u0 = np.minimum(np.minimum(u_top, u_bottom), np.minimum(u_left, u_right))
u0[u0 < 0.99] = -1  # 强制非正方形内部的值为-1（可调整阈值）
u0[u0 >= 0.99] = 1  # 强制正方形内部的值为1（可调整阈值）

# 绘制结果
fig, ax = plt.subplots()
p = ax.pcolormesh(x_i, y_i, u0, cmap='viridis', shading='auto')
ax.set_aspect('equal', 'box')  # 保持x和y轴的比例相同
fig.colorbar(p, ax=ax, label='u0 Value')

# 设置标题和坐标轴标签
plt.title('Approximate Square using tanh')
plt.xlabel('X')
plt.ylabel('Y')

# 显示图形
plt.show()

长方形(不带界面过渡）

在这里插入图片描述

import numpy as np
import matplotlib.pyplot as plt

# 创建一个二维网格
xx = np.linspace(-1, 1, 1000)
yy = np.linspace(-1, 1, 1000)
x_i, y_i = np.meshgrid(xx, yy)

# 长方形的中心和尺寸
center_x, center_y = 0, 0  # 假设长方形中心在(0, 0)
width = 0.6  # 长方形的宽度
height = 0.4  # 长方形的高度
half_width = width / 2
half_height = height / 2

# 使用tanh函数来近似长方形的四个边界
epsilon = 0.01  # 控制tanh函数的“陡峭度”

# 近似上边界
u_top = 0.5 * (1 + np.tanh((half_height - (y_i - center_y)) / epsilon))
# 近似下边界
u_bottom = 0.5 * (1 + np.tanh((half_height - (center_y - y_i)) / epsilon))
# 近似左边界
u_left = 0.5 * (1 + np.tanh((half_width - (x_i - center_x)) / epsilon))
# 近似右边界
u_right = 0.5 * (1 + np.tanh((half_width - (center_x - x_i)) / epsilon))

# 长方形的内部是四个边界的交集，取四个边界中的最小值
u0 = np.minimum.reduce([u_top, u_bottom, u_left, u_right])
u0[u0 < 0.99] = -1  # 强制非长方形内部的值为-1（可调整阈值）
u0[u0 >= 0.99] = 1  # 强制长方形内部的值为1（可调整阈值）

# 绘制结果
fig, ax = plt.subplots()
p = ax.pcolormesh(x_i, y_i, u0, cmap='viridis', shading='auto')
ax.set_aspect('equal', 'box')  # 保持x和y轴的比例相同
fig.colorbar(p, ax=ax, label='u0 Value')

# 设置标题和坐标轴标签
plt.title('Approximate Rectangle using tanh')
plt.xlabel('X')
plt.ylabel('Y')

# 显示图形
plt.show()

边界上的长方形(不带界面过渡）

在这里插入图片描述

import numpy as np
import matplotlib.pyplot as plt

# 创建一个二维网格
xx = np.linspace(-0.5, 0.5, 1000)
yy = np.linspace(0, 0.5, 1000)
x_i, y_i = np.meshgrid(xx, yy)

# 长方形的中心和尺寸
center_x, center_y = 0, 0.0625  # 假设长方形中心在(0, 0)
width = 0.5  # 长方形的宽度（长)
height = 0.125  # 长方形的高度
half_width = width / 2
half_height = height / 2

# 使用tanh函数来近似长方形的四个边界
epsilon = 0.01  # 控制tanh函数的“陡峭度”

# 近似上边界
u_top = 1 * (1 + np.tanh((half_height - (y_i - center_y)) / epsilon))
# 近似下边界
u_bottom = 1 * (1 + np.tanh((half_height - (center_y - y_i)) / epsilon))
# 近似左边界
u_left = 1 * (1 + np.tanh((half_width - (x_i - center_x)) / epsilon))
# 近似右边界
u_right = 1 * (1 + np.tanh((half_width - (center_x - x_i)) / epsilon))

# 长方形的内部是四个边界的交集，取四个边界中的最小值
u0 = np.minimum.reduce([u_top, u_bottom, u_left, u_right])
u0[u0 < 0.99] = -1  # 强制非长方形内部的值为-1（可调整阈值）
u0[u0 >= 0.99] = 1  # 强制长方形内部的值为1（可调整阈值）

# # 绘制结果
# fig, ax = plt.subplots()
# p = ax.pcolormesh(x_i, y_i, u0, cmap='viridis', shading='auto')
# ax.set_aspect('equal', 'box')  # 保持x和y轴的比例相同
# fig.colorbar(p, ax=ax, label='u0 Value')
#
# # 设置标题和坐标轴标签
# plt.title('Approximate Rectangle using tanh')
# plt.xlabel('X')
# plt.ylabel('Y')
#
# # 显示图形
# plt.grid()
# plt.show()

# 估算角点位置（这里只是估算，不是精确值）
# 左上角
x_left_top, y_left_top = center_x - half_width, center_y + half_height
# 右上角
x_right_top, y_right_top = center_x + half_width, center_y + half_height
# 左下角
x_left_bottom, y_left_bottom = center_x - half_width, center_y - half_height
# 右下角
x_right_bottom, y_right_bottom = center_x + half_width, center_y - half_height

# 绘制结果
fig, ax = plt.subplots()
p = ax.pcolormesh(x_i, y_i, u0, cmap='viridis', shading='auto')
ax.set_aspect('equal', 'box')  # 保持x和y轴的比例相同
fig.colorbar(p, ax=ax, label='u0 Value')

# 设置标题和坐标轴标签
plt.title('Approximate Rectangle using tanh')
plt.xlabel('X')
plt.ylabel('Y')

# 显示长方形四个角的坐标数字
plt.text(x_left_top, y_left_top, f'({x_left_top:.2f}, {y_left_top:.2f})', va='top', ha='right', color='red')
plt.text(x_right_top, y_right_top, f'({x_right_top:.2f}, {y_right_top:.2f})', va='top', ha='left', color='red')
plt.text(x_left_bottom, y_left_bottom, f'({x_left_bottom:.2f}, {y_left_bottom:.2f})', va='bottom', ha='right', color='red')
plt.text(x_right_bottom, y_right_bottom, f'({x_right_bottom:.2f}, {y_right_bottom:.2f})', va='bottom', ha='left', color='red')

# 显示网格和图形
plt.grid()
plt.show()

边界上的长方形(带界面宽度）

在这里插入图片描述
在这里插入图片描述

在这里插入图片描述

import numpy as np
import matplotlib.pyplot as plt

# 创建一个二维网格
xx = np.linspace(-0.5, 0.5, 1000)
yy = np.linspace(0, 0.5, 1000)
x_i, y_i = np.meshgrid(xx, yy)

# 长方形的中心和尺寸
center_x, center_y = 0, 0.0625  # 长方形中心
width = 0.5  # 长方形的宽度（长)
height = 0.125  # 长方形的高度
half_width = width / 2
half_height = height / 2

# 使用tanh函数来近似长方形的四个边界
epsilon = 0.01  # 控制tanh函数的“陡峭度”

# 近似上边界
u_top = np.tanh((half_height - (y_i - center_y)) / (2 * epsilon))
# # 近似下边界
# u_bottom = np.tanh((half_height - (center_y - y_i)) / (2 * epsilon))
u_bottom = np.ones((1000, 1000))
# 近似左边界
u_left = np.tanh((half_width - (x_i - center_x)) / (2 * epsilon))
# 近似右边界
u_right = np.tanh((half_width - (center_x - x_i)) / (2 * epsilon))

# 长方形的内部是四个边界的交集，取四个边界中的最小值
u0 = np.minimum.reduce([u_top, u_bottom, u_left, u_right])

# # 绘制结果
fig, ax = plt.subplots()
p = ax.pcolormesh(x_i, y_i, u0, cmap='viridis', shading='auto')
ax.set_aspect('equal', 'box')  # 保持x和y轴的比例相同
fig.colorbar(p, ax=ax, label='u0 Value')

# 设置标题和坐标轴标签
plt.title('Approximate Rectangle using tanh')
plt.xlabel('X')
plt.ylabel('Y')

# 显示图形
plt.grid()
plt.show()
pdc31czy
关注
专栏目录
tanh python_带有Python示例的math.tanh（）方法
cumudi0723的博客
06-20 3801
tanh python Python math.tanh()方法 (Python math.tanh() method) math.tanh() method is a library method of math module, it is used to get the hyperbolic tangent of given number in radians, it accepts a nu...
sigmoid函数，tanh函数，relu函数，softmax函数
lovekobe1997的博客
03-04 2447
sigmoid函数 数学表达式： f(z)=1/(1+e**-z) Sigmoid 函数的输出范围是 0 到 1。由于输出值限定在 0 到 1，因此它对每个神经元的输出进行了归一化； 用于将预测概率作为输出的模型。由于概率的取值范围是 0 到 1，因此 Sigmoid 函数非常合适； 梯度平滑，避免「跳跃」的输出值； 函数是可微的。这意味着可以找到任意两个点的 sigmoid 曲线的斜率； 明确的预测，即非常接近 1 或 0。 Sigmoid 激活函数有哪些缺点？ 倾向于梯度消失； 函数输出不是以 0 为
python语言画出Sigmoid,Tanh,RuLe函数图像
11-26
python语言画出Sigmoid,Tanh,RuLe函数图像,实现图像的可视化
Python math.tanh() 方法
亮亮的专栏
08-16 769
Python math模块中定义了一些数学函数。由于这个模块属于编译系统自带，因此它可以被无条件调用。该模块还提供了与用标准C定义的数学函数的接口。本文主要介绍Python math.tanh() 方法的使用，以及相关示例代码。 原文地址：Python math.tanh() 方法 ...
Tanh函数使用教程及代码实现
m0_73291751的博客
07-18 2798
Tanh函数（双曲正切函数）是一种常用的激活函数，它将输入值映射到范围在-1到1之间的连续输出。Tanh函数的公式如下：scss。
data.utils_data_utils_pythonimageneural_CFAR_CFAR-10_python_
10-03
在本项目中，标题"**data.utils_data_utils_pythonimageneural_CFAR_CFAR-10_python_"**暗示了我们正在处理一个与数据处理和图像识别相关的Python代码库，特别是针对CFAR-10数据集的卷积神经网络（CNN）模型。...
Deep-RVFL-python:python上的深层RVFL
03-28
**深度随机向量流形学习（Deep RVFL）在Python中的实现** 深度学习作为一种强大的机器学习技术，已经在各个领域展现出卓越的表现，特别是在图像识别、自然语言处理和语音识别等方面。而随机向量流形学习（Random ...
1070-极智开发-解读激活函数之tanh及示例代码
01-22
1070_极智开发_解读激活函数之tanh及示例代码
机器学习-10-神经网络python实现
04-22
在本教程中，我们将深入探讨如何使用Python语言手写实现一个神经网络，这将涵盖神经网络的基本原理、Python编程基础以及如何将二者结合应用于机器学习中的分类任务。首先，我们需要理解神经网络的基本概念。 神经...
基于python实现tanh的几种近似计算方法源码.zip
最新发布
06-19
基于python实现tanh的几种近似计算方法源码.zip基于python实现tanh的几种近似计算方法源码.zip基于python实现tanh的几种近似计算方法源码.zip基于python实现tanh的几种近似计算方法源码.zip基于python实现tanh的几种...
【python】深度学习中的激活函数（Sigmoid函数、tanh函数、ReLU函数、Softmax函数）
qq_41755239的博客
03-27 1742
在深度学习中，激活函数用于对隐藏层与输出层的单元接收到的输入值进行处理。常用的激活函数有Sigmoid、tanh、ReLU、Softmax函数。Sigmoid(x) = 1/(1+exp(x)) 主要作用是将函数接收到的值映射到0~1 一、tanh函数 2.1 函数表达式为 tanh(x) = (exp(x) - exp(-x)) /(exp(x) + exp(-x)) tanh函数将接收到的值映射到-1~1。与Sigmoid函数相比，tanh函数的输出值更广泛。 三、ReLU函数 3.1 ReLU的函数表
python绘制激活函数（sigmoid, Tanh, ReLU, Softmax)
数据分析、数据挖掘、大数据开发
03-15 1364
python绘制激活函数
python Sigmoid和Tanh 可视化
jacke121的专栏
06-25 3703
python绘制神经网络中的Sigmoid和Tanh激活函数图像(附代码)最近在研究神经网络，用python绘制了一下常见的Sigmoid函数和Tanh函数，别的不多说，直接上代码：[python]view plaincopy#!/usr/bin/python#encoding:utf-8importmathimportmatplotlib.pyplotaspltimpo...
PyTorch学习笔记之激活函数篇（二）
记录学习过程
03-17 1759
双曲正切函数 tanh(x) 的定义是 (e^x - e^-x) / (e^x + e^-x)，其中 e 是自然对数的底数。tanh 函数的值域是 [-1, 1]，并且它是奇函数，即 tanh(-x) = -tanh(x)。3、当神经网络的层数增多的时候，由于在进行反向传播的时候，链式求导，多项相乘，函数进入饱和区（导数接近于零的地方）就会逐层传递，这种现象被称为梯度消失。3、在一般的二元分类问题中，tanh 函数用于隐藏层，而 sigmoid 函数用于输出层，但这并不是固定的，需要根据特定问题进行调整。
小技巧（10）：使用Python绘制激活函数（Sigmoid、Tanh、ReLU、PReLU）图像
热门推荐
Hankerchen的博客
04-13 1万+
文章目录一、单张绘制1.1 代码1.2 绘制结果二、4张图绘制成1张图2.1 代码2.2 绘制结果 一、单张绘制 1.1 代码 import numpy as np import matplotlib.pyplot as plt # 0 设置字体 plt.rc('font',family='Times New Roman', size=15) # 1.1 定义sigmoid函数 def sigmoid(x): return 1. / (1 + np.exp(-x)) # 1.2 定义tanh函数
python绘制sigmoid及tanh函数
李爱涛的博客
12-04 2610
Sigmoid激活函数 import math import numpy as np import matplotlib.pyplot as plt x = np.arange(-10,10) a=np.array(x) y1=1/(1+math.e**(-x)) y2=math.e**(-x)/((1+math.e**(-x))**2) plt.xlim(-11,11) ax = pl...
【学习经验分享NO.16】超全代码-python画Sigmoid，ReLU，Tanh等十多种激活函数曲线及其梯度曲线（持续更新）
m0_70388905的博客
12-05 3272
激活函数曲线及其梯度曲线——超全代码-python画Sigmoid，ReLU，Tanh等十多种（持续更新）
Python绘制神经网络中常见激活函数的图形
水木的编程生涯
12-08 3201
前言 需要绘制的激活函数有sigmoid，tanh，ReLU，softplus，swish共5个函数。 各个函数的公式 sigmoid： tanh： ReLU： softplus： swish： 其中 ????(⋅) 为 Logistic 函数， β为可学习的参数或一个固定超参数 上面5个激活函数对应的代码公式如下： def sigmoid(x): return 1 / (1 + np.exp(-x)) def tanh(x): return (np.exp(x) - np.ex
神经网络激活函数--tanh双曲正切函数
Alis_豪的博客
03-04 9786
Tanh 是双曲正切函数，是三角学中普遍使用的 Tan 圆函数的双曲类比. Tanh[α] 定义为对应的双曲正弦和双曲余弦函数的比值，即 via . Tanh 也可以定义为 ，其中 是自然对数 Log 的底数. 当变量是有理数的（自然）对数时，Tanh 会自动计算出精确值. 当给出精确数值表达式作为变量时，Tanh 可以算出任意精度的数值结果. TrigFactorList
用python画出tanh函数
04-11
可以用以下代码画出tanh函数： ```python import numpy as np import matplotlib.pyplot as plt x = np.linspace(-5, 5, 1000) y = np.tanh(x) plt.plot(x, y) plt.title('Tanh Function') plt.xlabel('x') plt.ylabel('y') plt.show() ```
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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