动手学深度学习-d2l的plot使用

绘制函数y=x的3次方-x的-1次方在x=1处的切线

x = np.arange(0, 3, 0.1)
d2l.plot(x, [f(x), 4*(x-1)], 'x', 'f(x)', legend=['f(x)', 'Tangent line (x=1)'])

在这里插入图片描述

绘制不同均值、不同方差的正态分布

def normal(x,mu,sigma):
    p=1/math.sqrt(2*math.pi*sigma**2)
    return p*np.exp(-0.5/sigma**2*(x-mu)**2)
x=np.arange(-7,7,0.01)
params=[(0,1),(0,2),(3,1)]
d2l.plot(x,[normal(x,mu,sigma) for mu,sigma in params],xlabel='x',ylabel='p(x)',figsize=(4.5,2.5),legend=[f'mean:{mu},std:{sigma}'for mu,sigma in params])

在这里插入图片描述

### 如何获取《动手学深度学习》各章节对应代码 《动手学深度学习》是一本非常受欢迎的书籍,其作者提供了完整的代码资源供读者下载和实践。这些代码通常以 Jupyter Notebook 的形式存在,便于用户理解和修改。以下是关于如何找到并使用这些代码的具体说明。 #### 获取代码的方式 1. **GitHub 仓库地址**: 本书的所有代码实现均托管于 GitHub 上的一个官方仓库中。访问链接如下: [https://github.com/d2l-ai/d2l-zh](https://github.com/d2l-ai/d2l-zh)[^1]。 此仓库包含了每一章的内容及其对应的代码文件(通常是 `.ipynb` 文件)。通过克隆此仓库到本地环境,即可获得全部资料。 2. **在线运行选项**: 如果不想安装任何软件,《动手学深度学习》也支持直接在线运行代码。可以通过 Google Colab 平台加载每节内容,并即时执行其中的 Python 脚本[^2]。 #### 使用方法 一旦获得了上述资源,可以根据个人需求选择合适的方式来操作它们: - 对于希望离线工作的开发者来说,在完成必要的依赖项配置之后就可以打开相应的 Jupyter Notebooks 开始探索; - 那些倾向于云端解决方案的人则可以直接利用预设好的虚拟机镜像来启动项目而无需担心兼容性和性能问题。 另外值得注意的是虽然标准版JupyterLab可能缺乏某些高级特性比如智能感知等功能但是我们仍然能够借助第三方插件或者扩展包如Kite Engine等弥补这一缺陷从而极大地提升编程效率[^3]. ```python import d2l.torch as d2l from IPython import display # 示例:绘制简单的正弦波图形 x = torch.arange(-torch.pi, torch.pi, 0.01).reshape((-1, 1)) y = torch.sin(x) d2l.set_figsize() display.display(d2l.plt.plot(x.detach().numpy(), y.detach().numpy())) ``` 以上展示了从导入自定义库 `d2l` 到实际绘图的过程片段作为示范之一。
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