Tensor

Tensor与numpy之间如何互相转换：

import numpy as np
import torch

np_data = np.arange(8).reshape((2,4))  # 定义一个二维数组
torch_data = torch.from_numpy(np_data)
print(np_data)
print(torch_data)
np2_data = torch_data.numpy()
print(np2_data)

 运行结果：

Variable

Variable是对Tensor的一种封装。每个Variable包含了三个属性(data,grad,creator)，Variable中的Tensor本身通过.data访问，对应Tensor的梯度通过.grad访问，以及创建这个Variable的Function的引用通过.grad_fn来访问。

若我们需要使用Variable。则可在代码中输入如下语句

from torch.autograd import Variable 

来看一个简单的小例子：

import numpy as np
import torch
from torch.autograd import Variable


x_tensor = torch.randn(10,5)
# 将Tensor转换为Variable
x = Variable(x_tensor, requires_grad = True) # 默认不需要求梯度，所以通过这个方式求梯度

print(x.data)
print(x.grad)
print(x.grad_fn)

运行结果：

 激活函数

实现代码如下：

import torch
from torch.autograd import Variable
import matplotlib.pyplot as plt

tensor = torch.linspace(-6,6,200)
tensor = Variable(tensor)
np_data = tensor.numpy()

# 定义激活函数
y_relu = torch.relu(tensor).data.numpy()
y_sigmoid = torch.sigmoid_(tensor).data.numpy()
y_tanh = torch.tanh(tensor).data.numpy()

# figure(num=None, figsize=None, dpi=None, facecolor=None, edgecolor=None, frameon=True)
'''
num:图像编号或名称，数字为编号 ，字符串为名称
figsize:指定figure的宽和高，单位为英寸；
dpi参数指定绘图对象的分辨率，即每英寸多少个像素，缺省值为80      1英寸等于2.5cm,A4纸是 21*30cm的纸张 
facecolor:背景颜色
edgecolor:边框颜色
frameon:是否显示边框
'''
plt.figure(1,figsize=(8,6))
# plt.subplot(nrows, ncols, index, **kwargs)
'''
第一个参数：*args 可以使用三个整数，或者三个独立的整数来描述子图的位置信息。
如果三个整数是行数、列数和索引值，子图将分布在行列的索引位置上。索引从1开始，从右上角增加到右下角。
位置是由三个整型数值构成，第一个代表行数，第二个代表列数，第三个代表索引位置。
举个列子：plt.subplot(2, 3, 5) 和 plt.subplot(235) 是一样一样的。需要注意的是所有的数字不能超过10。
'''
plt.subplot(221)   # 两行一列的图  所在位置为1
plt.plot(np_data, y_relu, c='r',label='relu')
'''
labels是图例的名称（能够覆盖在plt.plot( )中label参数值）
loc代表了图例在整个坐标轴平面中的位置
'''
plt.legend(loc='best')

plt.subplot(222)   # 两行一列的图  所在位置为2
plt.plot(np_data, y_sigmoid, c='r',label='sigmoid')
plt.legend(loc='best')

plt.subplot(223)   # 两行一列的图  所在位置为3
plt.plot(np_data, y_tanh, c='r',label='tanh')
plt.legend(loc='best')

plt.show()

运行结果：