backword

文源网络，仅供学习之用，如有侵权请联系删除。 基础总结 turtle库是python标准库之一，入门级绘图库。import turtle之后即可使用。 turtle绘图原理：有一只海龟，其实在窗体正中心，在画布上游， 走过的轨迹形成了绘制的图形，海龟由程序控制，可以变换 颜色、改变宽度等。 1、绘图窗口设置命令 turtle.setup(400,300,200,100)：参数以此（宽，高，距离屏幕左边距离，距离屏幕上方距离），屏幕左上角原点，单位像素。 2、运动命令 turtle.goto(x,y)：直接跳转到（x,y）点，以绘图窗口中心为原点，向右为x轴，向上为y轴。 turtle.fd(d)、turtle.forward(d)：以当前方向，往前行进d像素。 turtle.bk(d)、turtle.backword(d)：保持当前方向不变，往后退行d像素。 turtle.circle(r,angle)：从当前位置以r为半径圆的angle角度旋转。 3、方向设置命令 turtle.seth(angle)：以x轴方向为起点将方向偏转为angle度，逆时针为正。只改变行进方向但不行进。 turtle.left(angle)：在当前行进方向的基础上，向左旋转angle度。 turtle.right(angle)：在当前行进方向的基础上，向右旋转angle度。 4、画笔控制命令

tensor的backward()用于求导，如下对y=x^2求导，dy=2x=6.0 import torch x = torch.tensor(3., requires_grad=True) y = x*x y.backward() print(x.grad) # dy/dx = 2x=6.0 如果x的值非标量，即有多个值，会出现错误：RuntimeError: grad can be implicitly created only for scalar outputs import torch x = torch.tensor([3., 2., 4.], requires_grad=True) y = x*x y.backward() print(x.grad) # RuntimeError: grad can be implicitly created only for scalar outputs 一种解决方法是，对y进行求平均，相当于在原先求导之后再进行平均 import torch x = torch.tensor([3., 2., 4.], requires_grad=True) y = x*x y = y.mean() y.backward() print(x.grad) # dy/dx = 2x= [6.0/2, 4./3, 8./3]

给定一个数组A[0,1,...,n-1],请构建一个数组B[0,1,...,n-1],其中B中的元素B[i]=A[0]*A[1]*...*A[i-1]*A[i+1]*...*A[n-1]。不能使用除法。 import java.util.ArrayList; public class Solution { public int[] multiply(int[] A) { int len = A.length; int forword[] = new int[len]; int backword[] = new int[len]; int B[] = new int[len]; forword[0] = 1; backword[0] = 1; for(int i = 1;i<A.length;i++){ forword[i] = A[i-1]*forword[i-1]; backword[i] = A[len-i]*backword[i-1]; } for(int i= 0;i<A.length;i++){ B[i] = forword[i]*backword[len-i-1]; } return B; } } 来源： oschina 链接： https://my.oschina.net/u/4167465/blog/3162225

MNIST数据集输出手写数字识别准确率 大纲 5.1 MNIST数据集 5.2 模块化搭建神经网络 5.3 手写数字识别准确率输出 目标 利用MNIST数据集巩固模块化搭建神经网路的八股，实践前向传播和反向传播过程，编写测试程序输出手写数字识别准确率。 5.1 MNIST数据集 MNIST数据集 ：包含7万张黑底白字手写数字图片，其中55000张为训练集， 5000张为验证集，10000张为测试集。每张图片大小为28*28像素，图片中纯黑色像素值为0，纯白色像素值为1。数据集的标签是长度为10的一维数组，数组中每个元素索引号表示对应数字出现的概率。 在将mnist数据集作为输入喂入神经网络时，需先将数据集中每张图片变为长度 784一维数组，将该数组作为神经网络输入特征喂入神经网络。 例如： 一张数字手写体图片变成长度为784的一维数组[0.0.0.0.0.231 0.235 0.459 ……0.219 0.0.0.0.]输入神经网络。该图片对应的标签为[0.0.0.0.0.0.1.0.0.0]，标签中索引号为6的元素为1，表示是数字6出现的概率为100%，则该图片对应的识别结果是6。 使用input_data模块 中的read_data_sets()函数加载mnist数据集： from tensorflow.examples.tutorials.mnist import input