python画一元二次函数图像,用python画数学函数图像教程
阅读鱼书并记录下来：
批处理的好处和小批量的概念(2)Python(Numpy)实现了均方差、交叉熵损失函数等。(3)纯Python实现：函数导数、偏导数和梯度下降法的正切图(4)反向传播(BP算法)的纯Python实现(5)BN的好处和正则化(6)卷积神经网络的输入输出大小(7)
1.阶跃函数
import numpy as NP import matplotlib . py plot as PLT def step _ fun(x):#首先把array变成int返回np.array (x0，dtype=np.int)x=NP . arange(-5.0，5.0，0.1) y=step _ fun (x) PLT.plot
2.Sigmoid函数(如果少用，梯度会消失)
import numpy as NP import matplotlib . py plot as PLT def sigmoid(x):return 1/(1np . exp(-x))x=NP . arange(-5.0，5.0，0.1) y=sigmoid (x) plt.show (x，y) PLT。
在某个值被输入到该转换器之后，其输出值是输入值的常数倍数的函数被称为线性函数(使用数学
表达式为h(x)=cx。c是常数)。因此，线性函数是一条直线。非线性函数，顾名思义，是指不像线性函数那样呈现直线的函数。
3.Tanh函数
import numpy as NP import matplotlib . py plot as PLT def tanh(x):return(NP . exp(x)-NP . exp(-x))/(NP . exp(x)NP . exp(-x))x=NP . arange(-5.0，5.0，0.1)y=tanh(x)plt.plot(x，y)plt.show()
4.Relu函数
import numpy as NP import matplotlib . py plot as PLT def relu(x):return NP . maximum(0，x)x=np.arange(-5.0，5.0，0.1)y=relu(x)plt.plot(x，y)plt.show()
数学上，一维数组叫做向量，二维数组叫做矩阵。此外，广义向量或矩阵可统称为twdy(张量)。在本书中，二维数组基本称为“矩阵”，三维及以上数组称为“twdy”或“多维数组”。
5.泄漏relu
relu *0.01负轴上。
import numpy as NP import matplotlib . py plot as PLT def Leaky _ relu(x):return NP . maximum(0.01 * x，x)x=np.arange(-5.0，5.0，0.1)y=Leaky_relu(x)plt.plot(x，y)plt.show()
6.矩阵乘法导入numpy为NPA=np.array ([[1，2]，[3，4]]) b=np.array ([[5，6]，[7，8]]) print (np.dot (a，b))输出：[[19 22]
[43 50]]
黑客帝国例如：NP。三行两列的数组([[1，2]，[3，4]，[5，6]])不是三维矩阵。
7.三层神经网络的实现(输入隐层*2输出层)Import numpy as NP def sigmoid(x):return 1/(1NP。EXP (-x)) x=NP。数组([1.0，0.5]) W1=NP。Array ([0.1，0.3，0.5 0.6]])b1=np.array([0.1，0.2，0.3])a1=np.dot(x，w1)b1z 1=Sigmoid(a1)W2=NP . array([[0.1，0.4]，[0.2，0.5]，[0.3，0.6]])b2=np.array([0.1，0.2])a2=np.dot(z1，W2)B2
8.Softmax函数
将numpy导入为NP def soft max(a):exp _ a=NP . exp(a)sum _ exp _ a=NP . sum(exp _ a)y=exp _ a/sum _ exp _ a return ya=NP . array([0.3，2.9，4.0]) print (soft
导入numpy为NP def soft max(a):c=NP . max(a)exp _ a=NP . exp(a-c)sum _ exp _ a=NP . sum(exp _ a)y=exp _ a/sum _ exp _ a return ya=NP . array([0.3，2.9，4.0])y=soft max(a)print(y)print(NP . sum(y))soft max函数的输出是一个介于0.0和1.0之间的实数。并且，softmax函数的输出值之和为1。输出和为1是softmax函数的一个重要性质。
郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。