女人自慰AV免费观看内涵网,日韩国产剧情在线观看网址,神马电影网特片网,最新一级电影欧美,在线观看亚洲欧美日韩,黄色视频在线播放免费观看,ABO涨奶期羡澄,第一导航fulione,美女主播操b

電子發(fā)燒友App

硬聲App

0
  • 聊天消息
  • 系統(tǒng)消息
  • 評論與回復(fù)
登錄后你可以
  • 下載海量資料
  • 學(xué)習(xí)在線課程
  • 觀看技術(shù)視頻
  • 寫文章/發(fā)帖/加入社區(qū)
會員中心
創(chuàng)作中心

完善資料讓更多小伙伴認(rèn)識你,還能領(lǐng)取20積分哦,立即完善>

3天內(nèi)不再提示
創(chuàng)作
電子發(fā)燒友網(wǎng)>電子資料下載>電子資料>PyTorch教程3.3之綜合回歸數(shù)據(jù)

PyTorch教程3.3之綜合回歸數(shù)據(jù)

2023-06-05 | pdf | 0.15 MB | 次下載 | 免費(fèi)

資料介紹

機(jī)器學(xué)習(xí)就是從數(shù)據(jù)中提取信息所以你可能想知道,我們可以從合成數(shù)據(jù)中學(xué)到什么?雖然我們本質(zhì)上可能并不關(guān)心我們自己融入人工數(shù)據(jù)生成模型的模式,但此類數(shù)據(jù)集仍然可用于教學(xué)目的,幫助我們評估學(xué)習(xí)算法的屬性并確認(rèn)我們的實(shí)現(xiàn)是否按預(yù)期工作。例如,如果我們創(chuàng)建的數(shù)據(jù)的正確參數(shù)是先驗(yàn)已知的那么我們可以驗(yàn)證我們的模型實(shí)際上可以恢復(fù)它們。

%matplotlib inline
import random
import torch
from d2l import torch as d2l
%matplotlib inline
import random
from mxnet import gluon, np, npx
from d2l import mxnet as d2l

npx.set_np()
%matplotlib inline
import random
import jax
import numpy as np
import tensorflow as tf
import tensorflow_datasets as tfds
from jax import numpy as jnp
from d2l import jax as d2l
No GPU/TPU found, falling back to CPU. (Set TF_CPP_MIN_LOG_LEVEL=0 and rerun for more info.)
%matplotlib inline
import random
import tensorflow as tf
from d2l import tensorflow as d2l

3.3.1. 生成數(shù)據(jù)集

對于這個例子,我們將使用低維來簡潔。以下代碼片段生成 1000 個示例,這些示例具有從標(biāo)準(zhǔn)正態(tài)分布中提取的二維特征。生成的設(shè)計矩陣X屬于R1000×2. 我們通過應(yīng)用地面真值線性函數(shù)生成每個標(biāo)簽,通過加性噪聲破壞它們?,為每個示例獨(dú)立且相同地繪制:

(3.3.1)y=Xw+b+?.

為了方便起見,我們假設(shè)?取自均值為正態(tài)分布μ=0和標(biāo)準(zhǔn)差 σ=0.01. 請注意,對于面向?qū)ο蟮脑O(shè)計,我們將代碼添加到__init__子類的方法中d2l.DataModule (在3.2.3 節(jié)中介紹)。允許設(shè)置任何額外的超參數(shù)是一種很好的做法。我們用 save_hyperparameters(). batch_size稍后將確定

class SyntheticRegressionData(d2l.DataModule): #@save
  """Synthetic data for linear regression."""
  def __init__(self, w, b, noise=0.01, num_train=1000, num_val=1000,
         batch_size=32):
    super().__init__()
    self.save_hyperparameters()
    n = num_train + num_val
    self.X = torch.randn(n, len(w))
    noise = torch.randn(n, 1) * noise
    self.y = torch.matmul(self.X, w.reshape((-1, 1))) + b + noise
class SyntheticRegressionData(d2l.DataModule): #@save
  """Synthetic data for linear regression."""
  def __init__(self, w, b, noise=0.01, num_train=1000, num_val=1000,
         batch_size=32):
    super().__init__()
    self.save_hyperparameters()
    n = num_train + num_val
    self.X = np.random.randn(n, len(w))
    noise = np.random.randn(n, 1) * noise
    self.y = np.dot(self.X, w.reshape((-1, 1))) + b + noise
class SyntheticRegressionData(d2l.DataModule): #@save
  """Synthetic data for linear regression."""
  def __init__(self, w, b, noise=0.01, num_train=1000, num_val=1000,
         batch_size=32):
    super().__init__()
    self.save_hyperparameters()
    n = num_train + num_val
    key = jax.random.PRNGKey(0)
    key1, key2 = jax.random.split(key)
    self.X = jax.random.normal(key1, (n, w.shape[0]))
    noise = jax.random.normal(key2, (n, 1)) * noise
    self.y = jnp.matmul(self.X, w.reshape((-1, 1))) + b + noise
class SyntheticRegressionData(d2l.DataModule): #@save
  """Synthetic data for linear regression."""
  def __init__(self, w, b, noise=0.01, num_train=1000, num_val=1000,
         batch_size=32):
    super().__init__()
    self.save_hyperparameters()
    n = num_train + num_val
    self.X = tf.random.normal((n, w.shape[0]))
    noise = tf.random.normal((n, 1)) * noise
    self.y = tf.matmul(self.X, tf.reshape(w, (-1, 1))) + b + noise

下面,我們將真實(shí)參數(shù)設(shè)置為w=[2,?3.4]?b=4.2. 稍后,我們可以根據(jù)這些真實(shí)值檢查我們估計的參數(shù)。

data = SyntheticRegressionData(w=torch.tensor([2, -3.4]), b=4.2)
data = SyntheticRegressionData(w=np.array([2, -3.4]), b=4.2)
data = SyntheticRegressionData(w=jnp.array([2, -3.4]), b=4.2)
data = SyntheticRegressionData(w=tf.constant([2, -3.4]), b=4.2)

每行由features一個向量組成R2 每一行labels都是一個標(biāo)量。讓我們看一下第一個條目。

print('features:', data.X[0],'\nlabel:', data.y[0])
features: tensor([-0.0499, -
下載該資料的人也在下載 下載該資料的人還在閱讀
更多 >

評論

查看更多

下載排行

本周

  1. 1FZH114C LED驅(qū)動控制芯片中文手冊
  2. 0.88 MB   |  2次下載  |  免費(fèi)
  3. 2PIC16F627A/628A/648A數(shù)據(jù)手冊
  4. 2.94 MB   |  1次下載  |  2 積分
  5. 3NS2582同步升壓雙節(jié)鋰電池充電管理IC中文手冊
  6. 1.47 MB   |  1次下載  |  免費(fèi)
  7. 4Altium Designer 22.11.1軟件安裝包下載
  8. 0.00 MB   |  1次下載  |  免費(fèi)
  9. 5Altium Designer 23 軟件下載
  10. 0.00 MB   |  1次下載  |  免費(fèi)
  11. 6Altium Designer AD 25 軟件安裝包下載
  12. 0.00 MB   |  1次下載  |  免費(fèi)
  13. 7高頻率變壓器的設(shè)計
  14. 0.03 MB   |  1次下載  |  1 積分
  15. 8ANT8817 1%3.5W/3.7V,同步自適應(yīng)升壓,超長續(xù)航,H類防破音單聲道音頻功放中文手冊
  16. 1.11 MB   |  1次下載  |  免費(fèi)

本月

  1. 1蘇泊爾電磁爐線路的電路原理圖資料合集
  2. 2.02 MB   |  286次下載  |  5 積分
  3. 2長虹液晶電視R-HS310B-5HF01的電源板電路原理圖
  4. 0.46 MB   |  87次下載  |  5 積分
  5. 3U盤一鍵制作
  6. 23.84 MB   |  41次下載  |  免費(fèi)
  7. 4AI智能眼鏡產(chǎn)業(yè)鏈分析
  8. 4.43 MB   |  37次下載  |  免費(fèi)
  9. 5Altium Designer元件庫
  10. 17.11 MB   |  33次下載  |  免費(fèi)
  11. 6AO4803A雙P通道增強(qiáng)型場效應(yīng)晶體管的數(shù)據(jù)手冊
  12. 0.11 MB   |  28次下載  |  2 積分
  13. 7長虹液晶彩電LS29機(jī)芯的技術(shù)資料說明
  14. 3.42 MB   |  16次下載  |  2 積分
  15. 8TP4055 500mA線性鋰離子電池充電器中文手冊
  16. 0.75 MB   |  9次下載  |  免費(fèi)

總榜

  1. 1matlab軟件下載入口
  2. 未知  |  935127次下載  |  10 積分
  3. 2開源硬件-PMP21529.1-4 開關(guān)降壓/升壓雙向直流/直流轉(zhuǎn)換器 PCB layout 設(shè)計
  4. 1.48MB  |  420064次下載  |  10 積分
  5. 3Altium DXP2002下載入口
  6. 未知  |  233089次下載  |  10 積分
  7. 4電路仿真軟件multisim 10.0免費(fèi)下載
  8. 340992  |  191387次下載  |  10 積分
  9. 5十天學(xué)會AVR單片機(jī)與C語言視頻教程 下載
  10. 158M  |  183342次下載  |  10 積分
  11. 6labview8.5下載
  12. 未知  |  81586次下載  |  10 積分
  13. 7Keil工具M(jìn)DK-Arm免費(fèi)下載
  14. 0.02 MB  |  73815次下載  |  10 積分
  15. 8LabVIEW 8.6下載
  16. 未知  |  65988次下載  |  10 積分