Сигмоида (Sigmoid) PyTorch в Python

Сигмоида PyTorch nn определяется как S-образная кривая, она не проходит через начало координат и генерирует выходные данные, находящиеся в диапазоне от 0 до 1. Подробно мы обсудим nn Sigmoid с использованием PyTorch в Python.

Сигмоида PyTorch nn определяется как S-образная кривая, она не проходит через начало координат и генерирует выходные данные, находящиеся между 0 и 1. Сигмоида применяет поэлементную функцию.

Синтаксис:

torch.nn.Sigmoid()

В функцию sigmoid() мы можем ввести любое количество измерений.

Сигмоида возвращает тензор в виде входных данных того же размера и формы со значениями в диапазоне [0,1].

• Пример
• Как использовать
• Что такое сигмоид журнала
• Функция активации
• Сигмовидная перекрестная энтропия
• Что такое логистическая сигмоида

Пример

В сигмоиде PyTorch значение уменьшается от 0 до 1, а график уменьшается до формы S. Если значения S становятся положительными, то выходное значение прогнозируется как 1, а если значения S перемещаются в отрицательные значения, то выходное значение прогнозируется как 0.

В следующем коде сначала мы импортируем библиотеку факела, например import torch и import torch.nn как nn.

• s = nn.Sigmoid(): Здесь мы вызываем функцию sigmoid().
• input = torch.randn(4) используется для объявления входной переменной с помощью функции torch.randn().
• вывод = s(вход): Здесь мы объявляем выходную переменную.
• print(output) используется для печати вывода с помощью функции print().

# Import library
import torch 
import torch.nn as nn
# Calling the sigmoid function
s = nn.Sigmoid()
# Declaring the input variable 
input = torch.randn(4)
# Decribing the output variable
output = s(input)
# Print the output
print(output)

После запуска приведенного выше кода мы получаем следующий вывод, в котором мы видим, что значения сигмоида PyTorch nn печатаются на экране.

Как использовать

Функциональная сигмоида PyTorch nn определяется как функция, основанная на элементах, в которых действительное число уменьшается до значения от 0 до 1.

Синтаксис:

torch.nn.functional.sigmoid(input)

Параметр:

Ниже приведены параметры функциональной сигмоиды PyTorch nn:

• вход: входной параметр определяется как входной тензор.

Что такое сигмоид журнала

Сигмоида журнала PyTorch nn определяется как уменьшение значения от 0 до 1, а график уменьшается до формы S и применяется поэлементная функция.

Код:

В следующем коде мы импортируем все необходимые библиотеки, такие как import torch и import torch.nn как nn.

• ls = nn.LogSigmoid(): здесь мы вызываем функцию LogSigmoid().
• input = torch.randn(4) используется для описания входной переменной с помощью функции torch.randn().
• вывод = ls(вход): Здесь мы объявляем выходную переменную.
• print(output) используется для печати вывода с помощью функции print().

# Import library
import torch
import torch.nn as nn
# Calling the LogSigmoid() function
ls = nn.LogSigmoid()
# Describing the input variable
input = torch.randn(4)
# Declaring the output variable
output = ls(input)
# Print the output
print(output)

Выход:

После запуска приведенного выше кода мы получаем следующий вывод, в котором мы видим, что значения сигмоида журнала PyTorch nn выводятся на экран.

Функция активации

Прежде чем двигаться дальше, мы должны иметь некоторые знания о функции активации.

Функция активации — это функция, которая выполняет вычисления, чтобы получить выходные данные, которые действуют как входные данные для следующего нейрона.

Код:

В следующем коде сначала мы импортируем все необходимые библиотеки, такие как import torch и import torch.nn как nn.

• input = torch.Tensor([4,-5,6,-8]) используется для создания тензора.
• sigmoid_fun = nn.Sigmoid(): Здесь мы вызываем сигмовидную функцию.
• вывод = sigmoid_fun(input) используется для применения сигмоида к тензору.
• print(output) используется для печати вывода с помощью функции print().

# Importing Libraries
import torch
import torch.nn as nn

# Create a tensor
input = torch.Tensor([4,-5,6,-8])
 
# Calling the sigmoid function
sigmoid_fun = nn.Sigmoid()
 
# Applying sigmoid to the tensor
output = sigmoid_fun(input)
 
# Print the output
print(output)

Выход:

После запуска приведенного выше кода мы получаем следующий вывод, в котором мы видим, что значения функции активации сигмоида PyTorch nn печатаются на экране.

Сигмовидная перекрестная энтропия

Прежде чем двигаться дальше, мы должны иметь некоторые знания о перекрестной энтропии.

Перекрестная энтропия создает критерий, который вычисляет перекрестную энтропию между целевой и входной вероятностями.

Код:

В следующем коде мы импортируем все необходимые библиотеки, такие как import torch и import torch.nn как nn.

• sce = nn.Sigmoid(): Здесь мы вызываем сигмовидную функцию.
• loss = nn.BCELoss(): Здесь мы вызываем функцию BCELoss().
• input = torch.randn(5, require_grad=True) используется для описания входной переменной с помощью функции torch.randn().
• target = torch.empty(5).random_(4) используется для описания целевой переменной с помощью функции torch.empty().

print(output) используется для печати вывода с помощью функции print().

# Import library
import torch
import torch.nn as nn
# Calling the Sigmoid function
sce = nn.Sigmoid()
# Calling the BCELoss() function
loss = nn.BCELoss()
# Describing the input variable
input = torch.randn(5, requires_grad=True)
# Declaring the target variable
target = torch.empty(5).random_(4)
output = loss(sce(input), target)
# Print output
print(output)

Выход:

В приведенном ниже выводе мы видим, что значения сигмоидной перекрестной энтропии Pytorch nn выводятся на экран.

Что такое логистическая сигмоида

Логистическая сигмоида PyTorch определяется как нелинейная функция, которая не проходит через начало координат, поскольку представляет собой S-образную кривую и дает выходные данные, находящиеся в диапазоне от 0 до 1. Ее также называют логистической сигмовидной функцией.

Код:

В следующем коде мы импортируем библиотеку факела, например import torch, import torch.nn как nn.

• los = nn.Sigmoid(): здесь мы вызываем функцию sigmoid().
• inp = torch.randn(5) используется для объявления входной переменной с помощью функции torch.randn().
• out= los(inp): здесь мы объявляем входную переменную.
• print(out) используется для печати вывода с помощью функции print().

# Importing libraries
import torch
import torch.nn as nn
# Calling the Sigmoid() function
los = nn.Sigmoid()
# Declaring the input variable
inp = torch.randn(5)
# Describing the output variable
out= los(inp)
# Print the output
print(out)

Выход:

После запуска приведенного выше кода мы получаем следующий вывод, в котором мы видим, что значения логистической сигмоиды PyTorch печатаются на экране.