import torch
import torch.nn.functional as F
from torch.autograd import Variable
import matplotlib.pyplot as plt
# fake data
x = torch.linspace(-5, 5, 200) # x data (tensor), shape=(100, 1)
x = Variable(x) #创建 variable(变量),构造神经网络要使用Variable类型
x_np = x.data.numpy() # numpy array for plotting,用于绘图的numpy数组
# following are popular activation functions,以下是常用的激活函数
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() # there's no softplus in torch。torch没有softplus
# y_softmax = torch.softmax(x, dim=0).data.numpy() softmax is a special kind of activation function, it is about probability
#softmax是一种特殊的激活函数,它与概率有关
# plt to visualize these activation function
#将这些激活函数可视化
plt.figure(1, figsize=(8, 6)) # 横坐标与纵坐标
plt.subplot(221)
#plt.subplot()函数用于直接指定划分方式和位置进行绘图。
# 使用plt.subplot来创建小图. plt.su
pytorch绘制曲线笔记
最新推荐文章于 2024-09-01 20:59:14 发布
本文记录了使用PyTorch进行深度学习时如何绘制训练和验证过程的学习曲线,包括损失函数变化和准确率提升等关键指标,帮助理解模型的训练效果。
摘要由CSDN通过智能技术生成