From 92cd0f99e64b02e058cb95eefdb3d9abf5f06573 Mon Sep 17 00:00:00 2001 From: DrDavidS Date: Wed, 12 May 2021 11:34:42 +0800 Subject: [PATCH] =?UTF-8?q?=E6=A0=A1=E5=AF=B9NN=E5=8C=85?= MIME-Version: 1.0 Content-Type: text/plain; charset=UTF-8 Content-Transfer-Encoding: 8bit --- docs/1.7/12.md | 17 +++++++++-------- 1 file changed, 9 insertions(+), 8 deletions(-) diff --git a/docs/1.7/12.md b/docs/1.7/12.md index 9dc0b70d..79b13c15 100644 --- a/docs/1.7/12.md +++ b/docs/1.7/12.md @@ -1,12 +1,15 @@ -# PyTorch：`nn` +# PYTHORCH: NN > 原文： -经过训练的三阶多项式，可以通过最小化平方的欧几里得距离来预测`y = sin(x)`从`-pi`到`pi`。 +一个三阶多项式，通过最小化平方欧几里得距离来训练，并预测函数 `y = sin(x)` 在`-pi`到`pi`上的值。 -此实现使用来自 PyTorch 的`nn`包来构建网络。 PyTorch Autograd 使定义计算图和获取梯度变得容易，但是原始的 Autograd 对于定义复杂的神经网络来说可能太低了。 这是`nn`包可以提供帮助的地方。 `nn`包定义了一组模块，您可以将其视为神经网络层，该神经网络层从输入产生输出并且可能具有一些可训练的权重。 +这个实现使用 PyTorch 的`nn`包来构建神经网络。 +PyTorch Autograd 让我们定义计算图和计算梯度变得容易了，但是原始的 Autograd 对于定义复杂的神经网络来说可能太底层了。 +这时候`nn`包就能帮上忙。 +`nn`包定义了一组模块，你可以把它视作一层神经网络，该神经网络层接受输入，产生输出，并且可能有一些可训练的权重。 -```py +```python import torch import math @@ -78,10 +81,8 @@ print(f'Result: y = {linear_layer.bias.item()} + {linear_layer.weight[:, 0].item ``` -**脚本的总运行时间**：（0 分钟 0.000 秒） +**脚本总运行时间**：（0 分钟 0.000 秒） [下载 Python 源码：`polynomial_nn.py`](https://pytorch.org/tutorials/_downloads/b4767df4367deade63dc8a0d3712c1d4/polynomial_nn.py) -[下载 Jupyter 笔记本：`polynomial_nn.ipynb`](https://pytorch.org/tutorials/_downloads/7bc167d8b8308ae65a717d7461d838fa/polynomial_nn.ipynb) - -[由 Sphinx 画廊](https://sphinx-gallery.readthedocs.io)生成的画廊 \ No newline at end of file +[下载 Jupyter 笔记本：`polynomial_nn.ipynb`](https://pytorch.org/tutorials/_downloads/7bc167d8b8308ae65a717d7461d838fa/polynomial_nn.ipynb) \ No newline at end of file -- GitLab