資料結構
網路
RDBMS
作業系統
Java
MS Excel
iOS
HTML
CSS
Android
Python
C 程式設計
C++
C#
MongoDB
MySQL
Javascript
PHP
物理學
化學
生物學
數學
英語
經濟學
心理學
社會學
時尚研究
法律研究PyTorch – 如何計算張量元素的邏輯 sigmoid 函式？
要計算張量元素的邏輯函式，我們使用 **torch.special.expit()** 方法。它返回一個新的張量，其中包含按元素計算的邏輯函式。它接受任何維度的 torch 張量。我們還可以應用 **torch.sigmoid()** 方法來計算張量元素的邏輯函式。它是 **torch.special.expit()** 方法的別名。
語法
torch.special.expit(input) torch.sigmoid(input)
其中 **input** 是任何維度的 torch 張量。
步驟
我們可以使用以下步驟來按元素計算張量的邏輯 sigmoid 函式：
匯入所需的庫。在以下所有示例中，所需的 Python 庫為 **torch**。請確保您已安裝它。
import torch
定義一個 torch 張量。這裡我們定義了一個包含隨機數的 2D 張量。
tensor = torch.randn(2,3,3)
使用 **torch.special.expit(input)** 或 **torch.sigmoid(input)** 計算張量的邏輯 sigmoid 函式。**input** 是任何維度的 torch 張量。可以選擇將此值賦給一個新變數
sig = torch.special.expit(tensor)
列印計算出的邏輯 sigmoid 函式。
print("Entropy:", sig)示例 1
在此程式中，我們使用 **torch.sigmoid()** 計算 1D 張量的 sigmoid 函式。
# import necessary libraries
import torch
# define a 1D tensor
tensor1 = torch.tensor([-1,2,0,.4,5])
# print above created tensor
print("Tensor:", tensor1)
# Compute the logistic sigmoid function of elements
sig = torch.sigmoid(tensor1)
# Display the computed Logistic Sigmoid function
print("Logistic Sigmoid:", sig)輸出
Tensor: tensor([-1.0000, 2.0000, 0.0000, 0.4000, 5.0000]) Logistic Sigmoid: tensor([0.2689, 0.8808, 0.5000, 0.5987, 0.9933])
示例 2
在此程式中，我們使用 **torch.special.expit()** 計算 1D 和 2D 張量的 sigmoid 函式。
# import torch library
import torch
# define a 1D tensor
tensor1 = torch.tensor([-1,2,0,.4,5])
# print above created tensor
print("Tensor 1:", tensor1)
# compute the logistic sigmoid function of elements
sig1 = torch.special.expit(tensor1)
# Display the computed Logistic Sigmoid function
print("Logistic Sigmoid Function:
", sig1)
# define a 2D tensor
tensor2 = torch.randn(2,3,3)
# print above created tensor
print("Tensor 2:", tensor2)
# compute the logistic sigmoid function of elements
sig2 = torch.special.expit(tensor2)
# Display the computed logistic sigmoid function
print("Logistic Sigmoid Function:
", sig2)輸出
Tensor 1: tensor([-1.0000, 2.0000, 0.0000, 0.4000, 5.0000]) Logistic Sigmoid Function: tensor([0.2689, 0.8808, 0.5000, 0.5987, 0.9933]) Tensor 2: tensor([[[-0.6318, -1.7586, 0.0252], [-0.0684, -0.4922, 1.7505], [-1.3301, 0.1333, -0.3744]], [[ 1.0607, -0.3999, 0.4564], [ 1.3029, 1.4259, 0.6266], [ 1.1038, 0.3965, 0.1522]]]) Logistic Sigmoid Function: tensor([[[0.3471, 0.1470, 0.5063], [0.4829, 0.3794, 0.8520], [0.2091, 0.5333, 0.4075]], [[0.7428, 0.4013, 0.6122], [0.7863, 0.8063, 0.6517], [0.7510, 0.5978, 0.5380]]])
更新於： 2022年1月7日
944 次瀏覽
廣告