【PyTorch】神经网络基础

最新推荐文章于 2024-09-01 11:17:18 发布

Louis1874

最新推荐文章于 2024-09-01 11:17:18 发布

阅读量284

点赞数 2

分类专栏： # 深度学习文章标签：神经网络深度学习机器学习人工智能 pytorch

本文链接：https://blog.csdn.net/weixin_44413191/article/details/107849828

版权

本文介绍了PyTorch作为神经网络中的Numpy，强调了Numpy与Torch的区别，重点讲解了Variable变量的概念及其在神经网络参数更新中的作用，并探讨了激励函数在解决非线性问题中的重要性，提到了常用的激活函数如sigmoid、tanh和ReLU。

摘要由CSDN通过智能技术生成

本文为 PyTorch 学习总结，讲解神经网络基础。欢迎交流

Numpy与Torch对比

Numpy 是处理矩阵等数据的模块，会使用多核加速运算。而 PyTorch 就是神经网络中的 Numpy，是 Torch（张量）的类型，张量的维度可以大于 2。

下面举例说明 Numpy 和 Torch 的一些区别：

# 首先引入包
import torch
import numpy as np

# 创造一个numpy的数据,reshape成2行3列
np_data = np.arange(6).reshape((2, 3))
# 将numpy转换为torch中tensor的数据
torch_data = torch.from_numpy(np_data)
# 将tensor转换为numpy的数据
tensor2array = torch_data.numpy()

print(
	'\nnumpy', np_data,
    '\ntorch', torch_data,
    '\ntensor2array', tensor2array,
)

如果对运算形式感兴趣，推荐浏览 pytorch 官网文档。这里仅介绍一些基本的运算：

data = [-1, -2, 1, 2]
# 将data转换为32bit浮点数
tensor = torch.FloatTensor(data)

# abs，也可以是sin，mean，用法相同
print(
	'\nabs',
    '\nnumpy:', np.abs(data), # [1 2 1 2]
    '\ntorch:', torch.abs(tensor), # [1 2 1 2]</