学校网站做几级等保app制作软件破解版

学校网站做几级等保,app制作软件破解版,公众号模板网站,做网站的公司一般怎么培训销售技术背景自动微分是一个在深度学习等计算领域非常常用的一个工具了#xff0c;其核心原理就是基于链式法则的求导。但是如果只是为了使用一个自动微分的功能#xff0c;不做深度学习的话#xff0c;去安装一个庞大的深度学习框架#xff0c;学习成本是很高的#xff0c;尤…技术背景自动微分是一个在深度学习等计算领域非常常用的一个工具了其核心原理就是基于链式法则的求导。但是如果只是为了使用一个自动微分的功能不做深度学习的话去安装一个庞大的深度学习框架学习成本是很高的尤其是在个别硬件环境下配置还相当的复杂。如果只是想使用一个自动微分的功能可以考虑本文所介绍的autograd自动微分计算框架。autograd实例autograd是一个基于numpy或者scipy接口的自动微分计算框架使用cpu环境即可安装也非常简单直接使用pip install autograd即可完成环境部署。在使用方式上跟普通的numpy模块的区别就是此处的numpy函数要从autograd中进行导入例如如下示例from autograd import numpy as npfrom autograd import grad, elementwise_graddef f(x):return 2 * xdef f1(x):return np.sum(2 * x)g elementwise_grad(f)h grad(f1)x np.arange(10).astype(np.float32)print (g(x))print (h(x))# [2. 2. 2. 2. 2. 2. 2. 2. 2. 2.]# [2. 2. 2. 2. 2. 2. 2. 2. 2. 2.]这里我们用了一个非常简单的函数y2x来进行测试那么得到的预期结果应该是y′2所以程序输出没有问题。当然这里使用的是逐元素的求导总体的求导就是把逐元素的求导相加。这就是一个简单的在cpu和numpy框架下进行自动微分计算的实例。总结概要本文介绍了一个可以基于CPU和numpy的自动微分计算框架。如果只是需要使用自动微分计算的功能就可以直接在CPU环境下简便的部署快捷的完成环境搭建。