莫烦 pytorch笔记 variable是什么

variable类型是什么

variable

tensor1 = torch.FloatTensor([[1,2],[3,4]]) # 建立tensor

variable = Variable(tensor1, requires_grad = True) # 建立variable。其中requires_grad是误差反向传播、计算梯度的标记

print(tensor1)
print(variable)

这样得到的tensor和variable表面上一样,但实际上不一样,variable其中的一部分是tensor,另外还包括梯度等,而且还在“默默”构建一个图。

t_out = torch.mean(tensor1*tensor1)
v_out = torch.mean(variable*variable)
v_out.backward()    # 模拟 v_out 的误差反向传递

(tensor1*tensor1实际是在对应位置数字平方,建立新的2*2矩阵,取mean是将4个数字加起来除以4,变成一个数字)

又经过这一操作之后

# v_out = 1/4 * sum(variable*variable) 实际算式
# d(v_out)/d(variable) = 1/4*2*variable = variable/2 注意这里是对variable求梯度

 然后输出

print(variable.grad)    # Variable 梯度
print(variable)     #  Variable 形式

 

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
土堆pytorch笔记指的是使用PyTorch进行深度学习的笔记。在你的提问中,你引用了三个内容:Sigmoid、inplace和Jupyter(可交互)。现在我将为你解释这些内容。 首先是Sigmoid函数。Sigmoid函数是一个常用的非线性激活函数,它常被用于将输出值映射到0到1之间的概率。Sigmoid函数的公式为:f(x) = 1 / (1 + e^(-x))。它的输出范围在0到1之间,可以将任何实数映射到一个概率值。在深度学习中,Sigmoid函数通常用于二分类问题的输出层。 接下来是inplace。inplace是一个在编程中常见的概念,表示在原地修改数据,而不创建新的副本。在PyTorch中,有一些函数和操作支持inplace操作。当你在PyTorch中使用inplace操作时,你可以直接修改原始张量而不需要分配新的内存空间。这样可以节省内存和计算资源,并提高代码的性能。 最后是Jupyter(可交互)。Jupyter是一个非常流行的交互式计算环境,它支持多种编程语言,包括Python。Jupyter提供了一个用于编写和运行代码的Web界面,以及一个用于创建实验和展示数据的笔记本界面。使用Jupyter,你可以编写代码、运行代码块、查看可视化结果并与代码进行交互。对于进行实验、教学和数据可视化非常方便。 综上所述,土堆pytorch笔记是关于使用PyTorch进行深度学习的笔记。在这些笔记中,你提到了Sigmoid函数、inplace操作和Jupyter(可交互)编程环境。这些内容在PyTorch中都有重要的作用,并且可以帮助你进行深度学习的实验和研究。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* *2* *3* [【我是土堆 - PyTorch教程】学习随手记(已更新 | 已完结 | 10w字超详细版)](https://blog.csdn.net/qq_43629945/article/details/122767670)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 100%"] [ .reference_list ]

“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