pyplot_simple
Pyplot 简单图(Simple)
A most simple plot, where a list of numbers is plotted against their index.
1 | import matplotlib.pyplot as plt |
参考
此示例显示了以下函数、方法、类和模块的使用：
1 | import matplotlib |
下载这个示例
本博客所有文章除特别声明外，均采用 CC BY-NC-SA 4.0 许可协议。转载请注明来源 Estom的博客！
相关推荐
2021-03-22
04 Pytorch nn本质
torch.nn到底是什么？ 0 MNIST 数据集 1 从零开始的神经网络（没有torch.nn） 2 使用torch.nn.functional 3 使用nn.Module重构 4 使用nn.Linear重构 5 使用optim重构 6 使用Dataset重构 7 使用DataLoader重构 8 添加验证 8 创建fit()和get_data() 9 切换到 CNN nn.Sequential 9 包装DataLoader 10 使用您的 GPU 总结 torch.nn到底是什么？PyTorch 提供设计精美的模块和类torch.nn，torch.optim，Dataset和DataLoader神经网络。 为了充分利用它们的功能并针对您的问题对其进行自定义，您需要真正了解它们在做什么。 为了建立这种理解，我们将首先在 MNIST 数据集上训练基本神经网络，而无需使用这些模型的任何功能。 我们最初将仅使用最基本的 PyTorch 张量函数。 然后，我们将一次从torch.nn，torch.optim，Dataset或DataLoader中逐个添加一个函数，以准确显示每...
2020-09-26
contour_label_demo
等高线标签演示说明一些可以用等高线的标签做的更高级的东西。 另请参见轮廓演示示例。 1234import matplotlibimport numpy as npimport matplotlib.ticker as tickerimport matplotlib.pyplot as plt 定义我们的外观 1234567delta = 0.025x = np.arange(-3.0, 3.0, delta)y = np.arange(-2.0, 2.0, delta)X, Y = np.meshgrid(x, y)Z1 = np.exp(-X**2 - Y**2)Z2 = np.exp(-(X - 1)**2 - (Y - 1)**2)Z = (Z1 - Z2) * 2 使用创造性的浮动类制作等高线的标签，遵循曼纽尔·梅茨的建议。 123456789101112131415161718192021222324252627# Define a class that forces representation of float to look a certain way# Th...
2020-10-09
08神经网络原理
非线性假设 当特征很多时，如果包含各种高阶项，特征空间会爆炸。 在非线性空间中，使用逻辑回归进行分类，会导致特征空间过多。 神经网络相关术语 input layer输入层 output layer输出层 bias unit 偏置单元 sigmod、logistic activation function激活函数 $\theta$模型参数=模型权重 模型展示 神经网络本身是机器学习的一个假设函数。 使用数学计算能够表示神经网络的计算过程。即计算给定输入后，计算神经网络的输出值。 使用向量化的计算方法，计算神经网络的前向传播过程。 实例 使用神经网络表示逻辑运算。 sigmod算子。+-10，+-20 计算向量化 普通计算向量化 多组数据矩阵化 使用向量，来表示计算过程。使用矩阵来表示多组数据的计算过程。 在线性回归和逻辑回归当中，多组输入向量，乘，固定的参数向量，等于，输出向量。 在神经网络中，一组输入向量，乘，多组参数向量，等于，输出向量。 下标用来表示矩阵和向量中的元素位置。上标表示迭代的代数。 编程任务：使用神经网络进行多元分类 寻找图片的数据集...
2020-09-26
hexbin_demo
Hexbin 演示使用Matplotlib绘制hexbins。 Hexbin是一种轴方法或pyplot函数，它基本上是具有六边形单元的二维直方图的pcolor。 它可以比散点图更具信息性。 在下面的第一个图中，尝试用’scatter’代替’hexbin’。 12345678910111213141516171819202122232425262728293031import numpy as npimport matplotlib.pyplot as plt# Fixing random state for reproducibilitynp.random.seed(19680801)n = 100000x = np.random.standard_normal(n)y = 2.0 + 3.0 * x + 4.0 * np.random.standard_normal(n)xmin = x.min()xmax = x.max()ymin = y.min()ymax = y.max()fig, axs = plt.subplots(ncols=2, sharey=True, fi...
2021-03-20
17
十七、使用自编码器和 GAN 做表征学习和生成式学习 译者：@SeanCheney 自编码器是能够在无监督（即，训练集是未标记）的情况下学习输入数据的紧密表征（叫做潜在表征或编码）的人工神经网络。这些编码通常具有比输入数据低得多的维度，使得自编码器对降维有用（参见第 8 章）。自编码器还可以作为强大的特征检测器，它们可以用于无监督的深度神经网络预训练（正如我们在第 11 章中讨论过的）。最后，一些自编码器是生成式模型：他们能够随机生成与训练数据非常相似的新数据。例如，您可以在脸图片上训练自编码器，然后可以生成新脸。但是生成出来的图片通常是模糊且不够真实。 相反，用对抗生成网络（GAN）生成的人脸可以非常逼真，甚至让人认为他们是真实存在的人。你可以去这个网址，这是用 StyleGAN 生成的人脸，自己判断一下（还可以去这里，看看 GAN 生成的卧室图片），GAN 现在广泛用于超清图片涂色，图片编辑，将草图变为照片，增强数据集，生成其它类型的数据（比如文本、音频、时间序列），找出其它模型的缺点并强化，等等。 自编码器和 GAN 都是无监督的，都可以学习紧密表征，都可以用作生成模型，...
2020-09-26
contourf_hatching
Contourf 影线法演示填充轮廓图形与阴影模式。 1234567891011import matplotlib.pyplot as pltimport numpy as np# invent some numbers, turning the x and y arrays into simple# 2d arrays, which make combining them together easier.x = np.linspace(-3, 5, 150).reshape(1, -1)y = np.linspace(-3, 5, 120).reshape(-1, 1)z = np.cos(x) + np.sin(y)# we no longer need x and y to be 2 dimensional, so flatten them.x, y = x.flatten(), y.flatten() 图1：最简单的带彩色条的阴影图 1234fig1, ax1 = plt.subplots()cs = ax1.contourf(x, y, z, hatches=[&#x...
