昇思25天学习打卡营第4天|07-函数式自动微分

已于 2024-08-01 01:19:04 修改
阅读量356 收藏 8
点赞数 5
文章标签： 编程语言
于 2024-07-31 23:42:01 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/ranksvm/article/details/140834966
版权

这章讲了两件事：一是神经网络怎么学东西，它用“反向传播”的方法，看预测错哪儿了，然后一点点改好。二是有个更简单的办法叫“自动微分”，它把复杂的数学变成简单的，不用你自己算导数，MindSpore就用了这招

ranksvm
关注
昇思25天学习打卡营第4天|网络构建|函数式自动微分
数字人生
06-22 836
当我们定义神经网络时，可以继承nn.Cell类，在__init__方法中进行子Cell的实例化和状态管理，在construct方法中实现Tensor操作。construct意为神经网络（计算图）构建，相关内容详见使用静态图加速。nn.ReLU(),nn.ReLU(),构建完成后，实例化Network对象，并查看其结构。我们构造一个输入数据，直接调用模型，可以获得一个十维的Tensor输出，其包含每个类别的原始预测值。方法不可直接调用。logits在此基础上，我们通过一个nn.Softmax。
《昇思25天学习打卡营第6天 - mindspore 函数式自动微分常见用法》
07-05
《昇思25天学习打卡营第6天 - mindspore 函数式自动微分常见用法》
昇思25天学习打卡营第11天|初学入门-函数式自动微分
Kirito_UGO的博客
06-29 287
模型预测值（logits）与正确标签（label）送入损失函数（loss function）获得loss，然后进行反向传播计算，求得梯度（gradients），最终更新至模型参数（parameters）下面是大概得计算图：z=wx+b，然后z和y进入损失函数计算loss，这里的w和b为参数，有点像高中的线性回归，但是w是一个矩阵，里面的参数有很多。
《昇思25天学习打卡营第4天|07函数式自动微分》
hellozmz的博客
07-15 192
前面几节课学习了mindspore的一些操作方法，接下来学习下稍微有一些技术含量的内容。
昇思25天学习打卡营第3天|函数式自动微分
Wayne的CSDN博客
06-28 1057
昇思入门学习|函数自动微分
昇思25天学习打卡营第4天|函数式自动微分
jing1452的博客
06-22 629
今天是昇思MindSpore打卡营的第四天，我学习了函数式自动微分的知识。神经网络的训练过程中，反向传播算法通过计算梯度来更新模型参数，函数式自动微分在此过程中起到了关键作用。自动微分能够自动计算可导函数在某点处的导数值，将复杂的数学运算分解为一系列简单的基本运算。这种机制对用户屏蔽了求导的细节和过程，使得我们可以专注于模型的设计和训练，大大降低了使用门槛。在实际操作中，我体会到了自动微分的便利性。通过MindSpore的自动微分功能，我们可以轻松地进行反向传播计算，获取梯度，并更新模型参数。
昇思25天学习打卡营第6天 | 函数式自动微分
loveisastory的博客
06-29 918
神经网络的训练主要使用反向传播算法，模型预测值（logits）与正确标签（label）送入损失函数（loss function）获得loss，然后进行反向传播计算，求得梯度（gradients），最终更新至模型参数（parameters）。自动微分能够计算可导函数在某点处的导数值，是反向传播算法的一般化。自动微分主要解决的问题是将一个复杂的数学运算分解为一系列简单的基本运算，该功能对用户屏蔽了大量的求导细节和过程，大大降低了框架的使用门槛。
昇思25天学习打卡营第25天|函数式自动微分
pblh123的专栏
07-18 763
函数式自动微分在PyTorch、TensorFlow和MindSpore这三个深度学习框架对比，基于MindSpore实现函数自动求导，自动微分
昇思25天学习打卡营第5天|函数式自动微分
no_way_toloiter的博客
07-01 1974
神经网络的训练主要使用反向传播算法，模型预测值（logits）与正确标签（label）送入损失函数（loss function）获得loss，然后进行反向传播计算，求得梯度（gradients），最终更新至模型参数（parameters）。自动微分能够计算可导函数在某点处的导数值，是反向传播算法的一般化。自动微分主要解决的问题是将一个复杂的数学运算分解为一系列简单的基本运算，该功能对用户屏蔽了大量的求导细节和过程，大大降低了框架的使用门槛。
昇思25天学习打卡营第6天|函数式自动微分
霍喜猫的博客
06-30 650
神经网络的训练主要使用反向传播算法，模型预测值（logits）与正确标签（label）送入损失函数（loss function）获得loss，然后进行反向传播计算，求得梯度（gradients），最终更新至模型参数（parameters）。 自动微分能够计算可导函数在某点处的导数值，是反向传播算法的一般化。自动微分主要解决的问题是将一个复杂的数学运算分解为一系列简单的基本运算，该功能对用户屏蔽了大量的求导细节和过程，大大降低了框架的使用门槛。 MindSpore使用函数式自动微分的设计理念，提供更接近于
《昇思25天学习打卡营第1天 - 快速入门 mindspore》
06-27
昇思25天学习打卡营 - 02 快速入门
《昇思25天学习打卡营第4天 - mindspore Transforms 数据变换常见用法》
06-30
使用 mindspore 的常见的数据变换 Transforms 的使用方法
昇思25天学习打卡营第5天-网络与模型相关要素探讨
07-01
从 MindSpore 模块中单独导入“nn”（一般代表神经网络相关的类和函数）以及“ops”（通常指操作符相关的功能），如此一来，在后续的代码中就能够直接使用“nn”和“ops”，而无需添加“mindspore.”这个前缀，让...
《昇思25天学习打卡营第2天 - mindspore Tensor 的常见用法》
06-28
《昇思25天学习打卡营第2天 | mindspore Tensor 的常见用法》
多媒体素材库系统 基于Springboot和Mysql的多媒体素材库系统代码（程序，中文注释）
09-27
多媒体素材库系统-多媒体素材库系统-多媒体素材库系统-多媒体素材库系统-多媒体素材库系统-多媒体素材库系统-多媒体素材库系统-多媒体素材库系统-多媒体素材库系统-多媒体素材库系统-多媒体素材库系统-多媒体素材库系统 1、资源说明：多媒体素材库系统源码，本资源内项目代码都经过测试运行成功，功能ok的情况下才上传的。 2、适用人群：计算机相关专业(如计算计、信息安全、大数据、人工智能、通信、物联网、自动化、电子信息等)在校学生、专业老师或者企业员工等学习者，作为参考资料，进行参考学习使用。 3、资源用途：本资源具有较高的学习借鉴价值，可以作为“参考资料”，注意不是“定制需求”，代码只能作为学习参考，不能完全复制照搬。需要有一定的基础，能够看懂代码，能够自行调试代码，能够自行添加功能修改代码。 4. 最新计算机软件毕业设计选题大全(文章底部有博主联系方式): https://blog.csdn.net/2301_79206800/article/details/135931154 技术栈、环境、工具、软件： ① 系统环境:Windows ② 开发语言：Java ③ 框架：SpringBo
PyOpenGL-3.1.5.tar.zip
最新发布
09-27
opengl安装包
Qt内置图标，独立头文件
09-27
Qt内置图标，独立头文件
医疗报销系统代码系统 Springboot医疗报销系统（程序，中文注释）
09-27
医疗报销系统-医疗报销系统-医疗报销系统-医疗报销系统-医疗报销系统-医疗报销系统-医疗报销系统-医疗报销系统-医疗报销系统-医疗报销系统-医疗报销系统-医疗报销系统 1、资源说明：医疗报销系统源码，本资源内项目代码都经过测试运行成功，功能ok的情况下才上传的。 2、适用人群：计算机相关专业(如计算计、信息安全、大数据、人工智能、通信、物联网、自动化、电子信息等)在校学生、专业老师或者企业员工等学习者，作为参考资料，进行参考学习使用。 3、资源用途：本资源具有较高的学习借鉴价值，可以作为“参考资料”，注意不是“定制需求”，代码只能作为学习参考，不能完全复制照搬。需要有一定的基础，能够看懂代码，能够自行调试代码，能够自行添加功能修改代码。 4. 最新计算机软件毕业设计选题大全(文章底部有博主联系方式): https://blog.csdn.net/2301_79206800/article/details/135931154 技术栈、环境、工具、软件： ① 系统环境:Windows ② 开发语言：Java ③ 框架：SpringBoot ④ 架构:B/S、MVC ⑤ 开发环境:IDE
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