Pytorch 快速入门(二)Variable and Activation
PyTorch是使用GPU和CPU优化的深度学习张量库。
Variable
在 Torch 中的 Variable 就是一个存放会变化的值的地理位置. 里面的值会不停的变化. 就像一个裝鸡蛋的篮子, 鸡蛋数会不停变动. 那谁是里面的鸡蛋呢, 自然就是 Torch 的 Tensor. 如果用一个 Variable 进行计算, 那返回的也是一个同类型的 Variable.
先定义一个Variable:
Variable 计算,梯度
对比一下 tensor 的计算和 variable 的计算.
到目前为止, 我们看不出什么不同, 但是时刻记住, Variable 计算时, 它在背景幕布后面一步步默默地搭建着一个庞大的系统, 叫做计算图, computational graph. 这个图是用来干嘛的? 原来是将所有的计算步骤 (节点) 都连接起来, 最后进行误差反向传递的时候, 一次性将所有 variable 里面的修改幅度 (梯度) 都计算出来, 而 tensor 就没有这个能力啦.
v_out = torch.mean(variable*variable)
就是在计算图中添加的一个计算步骤, 计算误差反向传递的时候有他一份功劳, 我们就来举个例子:
获取 Variable 里面的数据
直接print(variable)
只会输出 Variable 形式的数据, 在很多时候是用不了的(比如想要用 plt 画图), 所以我们要转换一下, 将它变成 tensor 形式.
Activation :激励函数
一句话概括 Activation: 就是让神经网络可以描述非线性问题的步骤, 使神经网络变得更强大.
Torch 中的激励函数
Torch 中的激励函数有很多, 不过我们平时要用到的就这几个. relu
, sigmoid
, tanh
, softplus
. 那我们就看看他们各自长什么样.
import torch
import torch.nn.functional as F # 激励函数都在这
from torch.autograd import Variable
import matplotlib.pyplot as plt
# 做一些假数据来观看图像
x = torch.linspace(-5,5,200) # x data (tensor),shape=(100,1)
x = Variable(x)
# 接着就是做生成不同都激励函数数据
x_np = x.data.numpy() # 换成nump array ,出图时用
# 几种常用的激励函数
y_relu = F.relu(x).data.numpy()
y_sigmoid = F.sigmoid(x).data.numpy()
y_tanh = F.tanh(x).data.numpy()
y_softplus = F.softplus(x).data.numpy()
# 下面开始作图,可视化
plt.figure(1,figsize=(8,6))
plt.subplot(221)
plt.plot(x_np,y_relu,c='red',label='relu')
plt.ylim((-1,5))
plt.legend(loc='best')
plt.subplot(222)
plt.plot(x_np, y_sigmoid, c='red', label='sigmoid')
plt.ylim((-0.2, 1.2))
plt.legend(loc='best')
plt.subplot(223)
plt.plot(x_np, y_tanh, c='red', label='tanh')
plt.ylim((-1.2, 1.2))
plt.legend(loc='best')
plt.subplot(224)
plt.plot(x_np, y_softplus, c='red', label='softplus')
plt.ylim((-0.2, 6))
plt.legend(loc='best')
plt.show()
结果展示:
上一篇: Uboot21之DDR初始化
下一篇: MTCNN的学习(基于pytorch)