Skip to content
体验新版
项目
组织
正在加载...
登录
切换导航
打开侧边栏
OpenDocCN
pytorch-doc-zh
提交
4ce72237
P
pytorch-doc-zh
项目概览
OpenDocCN
/
pytorch-doc-zh
通知
120
Star
3932
Fork
992
代码
文件
提交
分支
Tags
贡献者
分支图
Diff
Issue
0
列表
看板
标记
里程碑
合并请求
0
Wiki
0
Wiki
分析
仓库
DevOps
项目成员
Pages
P
pytorch-doc-zh
项目概览
项目概览
详情
发布
仓库
仓库
文件
提交
分支
标签
贡献者
分支图
比较
Issue
0
Issue
0
列表
看板
标记
里程碑
合并请求
0
合并请求
0
Pages
分析
分析
仓库分析
DevOps
Wiki
0
Wiki
成员
成员
收起侧边栏
关闭侧边栏
动态
分支图
创建新Issue
提交
Issue看板
前往新版Gitcode,体验更适合开发者的 AI 搜索 >>
未验证
提交
4ce72237
编写于
5月 12, 2021
作者:
片刻小哥哥
提交者:
GitHub
5月 12, 2021
浏览文件
操作
浏览文件
下载
差异文件
Merge pull request #550 from DrDavidS/master
校对张量文档
上级
b67b8bc8
c7158ea7
变更
5
隐藏空白更改
内联
并排
Showing
5 changed file
with
36 addition
and
32 deletion
+36
-32
docs/1.7/08.md
docs/1.7/08.md
+8
-7
docs/1.7/09.md
docs/1.7/09.md
+6
-6
docs/1.7/10.md
docs/1.7/10.md
+6
-6
docs/1.7/11.md
docs/1.7/11.md
+7
-5
docs/1.7/12.md
docs/1.7/12.md
+9
-8
未找到文件。
docs/1.7/08.md
浏览文件 @
4ce72237
#
热身:NumPy
#
NumPy热身
> 原文:<https://pytorch.org/tutorials/beginner/examples_tensor/polynomial_numpy.html#sphx-glr-beginner-examples-tensor-polynomial-numpy-py>
>
> 校对:DrDavidS
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`
。
此实现使用 numpy 手动计算正向传播,损失和后向通过
。
这里我们准备一个三阶多项式,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
。
numpy 数组是通用的 n 维数组; 它对深度学习,梯度或计算图一无所知,而只是执行通用数值计算的一种方法
。
在本实现中,我们使用 numpy 手动实现前向传播,损失(loss)和反向传播
。
```
py
numpy 数组是一种通用的 n 维数组;它跟深度学习,梯度或计算图没啥关系,只是执行通用数值计算的一种方法。
```
python
import
numpy
as
np
import
math
...
...
@@ -55,5 +58,3 @@ print(f'Result: y = {a} + {b} x + {c} x^2 + {d} x^3')
[
下载 Python 源码:`polynomial_numpy.py`
](
https://pytorch.org/tutorials/_downloads/6287cd68dd239d4f34ac75d774a66e23/polynomial_numpy.py
)
[
下载 Jupyter 笔记本:`polynomial_numpy.ipynb`
](
https://pytorch.org/tutorials/_downloads/d4cfaf6a36486a5e37afb34266028d9e/polynomial_numpy.ipynb
)
[
由 Sphinx 画廊
](
https://sphinx-gallery.readthedocs.io
)
生成的画廊
\ No newline at end of file
docs/1.7/09.md
浏览文件 @
4ce72237
# PyTorch:张量
> 原文:<https://pytorch.org/tutorials/beginner/examples_tensor/polynomial_tensor.html#sphx-glr-beginner-examples-tensor-polynomial-tensor-py>
>
> 校对:DrDavidS
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`
。
这里我们准备一个三阶多项式,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
PyTorch 张量手动计算正向传播,损失和后向通过
。
此实现使用
了 PyTorch 张量(tensor)来手动实现前向传播,损失(loss)和反向传播
。
PyTorch
张量基本上与 numpy 数组相同:它对深度学习或计算图或梯度一无所知,只是用于任意数值计算的
通用 n 维数组。
PyTorch
的张量基本上与 numpy 数组一样:它跟深度学习,梯度或计算图也没啥关系,只是用于任意数值计算的一种
通用 n 维数组。
numpy 数组和 PyTorch 张量之间的最大区别
是 PyTorch 张量可以在 CPU 或 GPU 上运行。 要在 GPU 上运行操作
,只需将张量转换为 cuda 数据类型。
numpy 数组和 PyTorch 张量之间的最大区别
在于,PyTorch 张量可以在 CPU 或 GPU 上运行。如果要在 GPU 上运行
,只需将张量转换为 cuda 数据类型。
```
py
import
torch
...
...
@@ -60,5 +62,3 @@ print(f'Result: y = {a.item()} + {b.item()} x + {c.item()} x^2 + {d.item()} x^3'
[
下载 Python 源码:`polynomial_tensor.py`
](
https://pytorch.org/tutorials/_downloads/38bc029908996abe0c601bcf0f5fd9d8/polynomial_tensor.py
)
[
下载 Jupyter 笔记本:`polynomial_tensor.ipynb`
](
https://pytorch.org/tutorials/_downloads/1c715a0888ae0e33279df327e1653329/polynomial_tensor.ipynb
)
[
由 Sphinx 画廊
](
https://sphinx-gallery.readthedocs.io
)
生成的画廊
\ No newline at end of file
docs/1.7/10.md
浏览文件 @
4ce72237
# PyTorch:张量
和
Autograd
# PyTorch:张量
与
Autograd
> 原文:<https://pytorch.org/tutorials/beginner/examples_autograd/polynomial_autograd.html#sphx-glr-beginner-examples-autograd-polynomial-autograd-py>
>
> 校对:DrDavidS
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`
。
这里我们准备一个三阶多项式,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
PyTorch 张量上的运算来计算正
向传播,并使用 PyTorch Autograd 来计算梯度。
此实现使用
了 PyTorch 张量(tensor)运算来实现前
向传播,并使用 PyTorch Autograd 来计算梯度。
PyTorch 张量表示计算图中的一个节点。 如果
`x`
是
具有
`x.requires_grad=True`
的张量,则
`x.grad`
是另一个张量,其保持
`x`
相对于某个标量值的梯度。
PyTorch 张量表示计算图中的一个节点。 如果
`x`
是
一个张亮,且
`x.requires_grad=True`
,则
`x.grad`
是另一个张量,它保存了
`x`
相对于某个标量值的梯度。
```
py
import
torch
...
...
@@ -73,5 +75,3 @@ print(f'Result: y = {a.item()} + {b.item()} x + {c.item()} x^2 + {d.item()} x^3'
[
下载 Python 源码:`polynomial_autograd.py`
](
https://pytorch.org/tutorials/_downloads/2956e289de4f5fdd59114171805b23d2/polynomial_autograd.py
)
[
下载 Jupyter 笔记本:`polynomial_autograd.ipynb`
](
https://pytorch.org/tutorials/_downloads/e1d4d0ca7bd75ea2fff8032fcb79076e/polynomial_autograd.ipynb
)
[
由 Sphinx 画廊
](
https://sphinx-gallery.readthedocs.io
)
生成的画廊
\ No newline at end of file
docs/1.7/11.md
浏览文件 @
4ce72237
# PyTorch:定义新的 Autograd 函数
> 原文:<https://pytorch.org/tutorials/beginner/examples_autograd/polynomial_custom_function.html#sphx-glr-beginner-examples-autograd-polynomial-custom-function-py>
>
> 校对:DrDavidS
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`
。 而不是将多项式写为
`y = a + bx + cx ^ 2 + dx ^ 3`
,我们将多项式写为
`y = a + b P[3](c + dx)`
其中
`P[3](x) = 1/2 (5x ^ 3 - 3x)`
是三次的
[
勒让德多项式
](
https://en.wikipedia.org/wiki/Legendre_polynomials
)
。
这里我们准备一个三阶多项式,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 PyTorch 张量上的运算来计算正向传播,并使用 PyTorch Autograd 来计算梯度
。
这里我们不将多项式写为
`y = a + bx + cx^2 + dx^3`
,而是将多项式写为
`y = a + bP_3(c + dx)`
,其中
`P_3(x) = 1/2 (5x ^ 3 - 3x)`
是三次
[
勒让德多项式
](
https://en.wikipedia.org/wiki/Legendre_polynomials
)
。
在此实现中,我们实现了自己的自定义 Autograd 函数来执行
`P'[3](x)`
。 通过数学,
`P'[3](x) = 3/2 (5x ^ 2 - 1)`
:
此实现使用了 PyTorch 张量(tensor)运算来实现前向传播,并使用 PyTorch Autograd 来计算梯度。
在此实现中,我们实现了自己的自定义 Autograd 函数来执行
`P'_3(x)`
。 从数学定义上讲,
`P'_3(x) = 3/2 (5x ^ 2 - 1)`
:
```
py
import
torch
...
...
@@ -99,5 +103,3 @@ print(f'Result: y = {a.item()} + {b.item()} * P3({c.item()} + {d.item()} x)')
[
下载 Python 源码:`polynomial_custom_function.py`
](
https://pytorch.org/tutorials/_downloads/b7ec15fd7bec1ca3f921104cfb6a54ed/polynomial_custom_function.py
)
[
下载 Jupyter 笔记本:`polynomial_custom_function.ipynb`
](
https://pytorch.org/tutorials/_downloads/0a64809624bf2f3eb497d30d5303a9a0/polynomial_custom_function.ipynb
)
[
由 Sphinx 画廊
](
https://sphinx-gallery.readthedocs.io
)
生成的画廊
\ No newline at end of file
docs/1.7/12.md
浏览文件 @
4ce72237
# P
yTorch:`nn`
# P
YTHORCH: NN
> 原文:<https://pytorch.org/tutorials/beginner/examples_nn/polynomial_nn.html#sphx-glr-beginner-examples-nn-polynomial-nn-py>
>
> 校对:DrDavidS
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
```
py
thon
import
torch
import
math
...
...
@@ -78,10 +83,6 @@ 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)
[
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
编辑
预览
Markdown
is supported
0%
请重试
或
添加新附件
.
添加附件
取消
You are about to add
0
people
to the discussion. Proceed with caution.
先完成此消息的编辑!
取消
想要评论请
注册
或
登录