mxnet基础到提高(15)--梯度与反向传播
#!/usr/bin/env python2
# -*- coding: utf-8 -*-
"""
Created on Fri Aug 10 16:13:29 2018@author: myhaspl
"""
from mxnet import nd
from mxnet import autograd
x = nd.array([[1, 2], [3, 4]])
x.attach_grad()#在ndarray里准备存储梯度
with autograd.record():#定义f(x)y=2*x*x
#反向传播backward()
y.backward()
#f'(x)=4*x
z=x.grad
print x
print z
[[1. 2.]
[3. 4.]]
<NDArray 2x2 @cpu(0)>
[[ 4. 8.]
[12. 16.]]
<NDArray 2x2 @cpu(0)>
######################
#!/usr/bin/env python2
# -*- coding: utf-8 -*-
"""
Created on Fri Aug 10 16:13:29 2018@author: myhaspl
"""
from mxnet import nd
from mxnet import autograddef f(x): b=xwhile b.norm().asscalar() < 100: #计算欧氏距离(norm)b=b*2#y=ax ,a=2*2*.....*2print bif b.sum().asscalar() >= 0: y = b[0]else:y = b[1]return yx = nd.array([1,4])
x.attach_grad()#在ndarray里准备存储梯度
with autograd.record():#定义f(x)y=f(x)
#反向传播backward()
y.backward()
#f'(x)=a,y=ax
z=x.grad
print "======="
print [z,x,y,y/x]#a=y/x
[2. 8.]
<NDArray 2 @cpu(0)>
[ 4. 16.]
<NDArray 2 @cpu(0)>
[ 8. 32.]
<NDArray 2 @cpu(0)>
[16. 64.]
<NDArray 2 @cpu(0)>
[ 32. 128.]
<NDArray 2 @cpu(0)>
=======
[
[32. 0.]
<NDArray 2 @cpu(0)>,
[1. 4.]
<NDArray 2 @cpu(0)>,
[32.]
<NDArray 1 @cpu(0)>,
[32. 8.]
<NDArray 2 @cpu(0)>]
mxnet基础到提高(15)--梯度与反向传播相关推荐
- mxnet基础到提高(6)--梯度,反馈与标准化(归一化)
1.attach_grad(grad_req='write', stype=None) 附加一个梯度缓存在NDArray上,这样,回退(反馈)能计算相应的梯度 参数: grad_req ({'writ ...
- 深度学习(30)随机梯度下降七: 多层感知机梯度(反向传播算法)
深度学习(30)随机梯度下降八: 多层感知机梯度(反向传播算法) 1. 多层感知机模型 2. 多层感知机梯度 3. 传播规律小结 tens Recap Chain Rule Multi-output ...
- mxnet基础到提高(38)-自动梯度计算
from mxnet import nd from mxnet import autograd import math x=nd.array([[10,20],[1,2]]) x.attach_gra ...
- mxnet基础到提高(5)-- 卷积神经网络基础(1)
通过nn.Sequential构造LeNet ,MXNet将自动构造向前函数,按顺序执行添加的LeNet 卷积神经网络是一种特殊的多层神经网络.与几乎所有其他神经网络一样,它们都经过了反向传播算法的训 ...
- 神经网络动物园-逻辑回归-激活函数-梯度下降-反向传播-链式法则
转载源自: [日更]子豪兄深度学习与神经网络系列教程_哔哩哔哩_bilibili 神经网络动物园链接: The Neural Network Zoo - The Asimov Institute 其中 ...
- mxnet基础到提高(44)-ndarray.arange创建行向量
mxnet.ndarray.arange(start, stop=None, step=1.0, repeat=1, infer_range=None, ctx=None, dtype=<cla ...
- mxnet基础到提高(51)-Activation激活函数
mxnet.ndarray.Activation(data=None, act_type=_Null, out=None, name=None, **kwargs) Applies an activa ...
- mxnet基础到提高(49)-使用免费的云jupyter
强大而免费的GOOGLE 云jupyter notebook https://colab.research.google.com/notebooks/intro.ipynb#recent=true 什 ...
- mxnet基础到提高(48)-ones和ones_like
返回全1元素矩阵 mxnet.ndarray.ones(shape, ctx=None, dtype=None, **kwargs)[source] Returns a new array fille ...
最新文章
- Github火爆的项目,用聪明的方式学习Vim!
- mysql log位置_MySql: log 位置
- Delphi自定义获取网卡MAC地址过程
- strace 哇,好多系统调用
- 基恩士上位机链路通讯_基恩士PLC通讯源码
- android 运动目标检测_MindSpore应用案例:AI对篮球运动员目标的检测
- MyBatis中Mapper接口是怎么和XML文件关联起来的
- backup exec linux卸载,Symantec Backup Exec 2012 Agent for Linux 卸载
- PyQt5--google快捷翻译
- Euler characteristic
- 5G消息应用号推荐|官方种草清单第六期
- android中华为、小米手机设置头像裁剪失败问题
- 【STM32】通过RTThread驱动W25QXXX
- 往DAO类中注入@PersistenceContext和@Resource的区别
- mysql select into
- LaTeX中的宽度单位em,ex,px,pt
- 关于 Windows CE 系统中同步机制的思考
- java-php-python-ssm-网上教学管理系统-计算机毕业设计
- [语录]有“野心”的“爷们”必看啊
- cmd下 怎样查看对方某个端口是否开放