不能在需要畢業的Tensor上呼叫numpy()。使用tensor.detach().numpy()代替。

這是我關于這個問題的第二個問題。最初，我遇到了AttributeError錯誤：'numpy.ndarray'物件沒有屬性'log'。然后U12-Forward幫助我解決了這個問題。但是又出現了一個新的問題。

import torch import numpy as np import matplotlib.pyplot as plt x = torch.tensor([[5., 10.], [1., 2.]], requires_grad=True) var_history = [] fn_history = [] alpha =0.001 優化器 = torch.optimation.SGD([x], lr=alpha) def function_parabola（variable）。 return np.prod(np.log(np.log(variable 7) ) def make_gradient_step(function, variable) 。 function_result = function(variable) function_result.backward() 優化器.步驟() 優化器.zero_grad() for i in range（500）。 var_history.append(x.data.numpy().copy()) fn_history.append(function_parabola(x).data.cpu().detach().numpy().copy() make_gradient_step(function_parabola, x) print(x) def show_contours（objective, x_lims=[-10.0, 10.0] 。 y_lims=[-10.0, 10.0]。 x_ticks=100, y_ticks=100）。) x_step = (x_lims[1] - x_lims[0] ) / x_ticks y_step = (y_lims[1] - y_lims[0] ) / y_ticks X, Y = np.mgrid[x_lims[0]:x_lims[1] :x_step, y_lims[0]:y_lims[1] :y_step] res = [] for x_index in range(X.shape[0)。 res.append([]) for y_index in range(X.shape[1]) 。 x_val = X[x_index, y_index] 。 y_val = Y[x_index, y_index]. res[-1].append(objective(np.array([x_val, y_val]).T)) res = np.array(res) plt.figure(figsize=(7,7) plt.contour(X, Y, res, 100) plt.xlabel('$x_1$') plt.ylabel('$x_2$') show_contours(function_parabola) plt.scatter(np.array(var_history)[:,0], np.array(var_history)[:, 1], s=10, c='r') 。 plt.show()

uj5u.com熱心網友回復：

修改function_parabola()以操作PyTorch張量，并利用PyTorch等同于原來的numpy操作，像這樣：

import Torch import numpy as np import matplotlib.pyplot as plt x = torch.tensor([[5., 10.], [1., 2.]], requires_grad=True) var_history = [] fn_history = [] alpha =0.001 優化器 = torch.optimation.SGD([x], lr=alpha) def function_parabola（variable）。 return (torch.prod(torch.log(torch.as_tensor(variable 7)))))) def make_gradient_step(function, variable) 。 function_result = function(variable) function_result.backward() 優化器.步驟() 優化器.zero_grad() for i in range（500）。 var_history.append(x.data.numpy().copy()) fn_history.append(function_parabola(x).data.cpu().detach().numpy()) make_gradient_step(function_parabola, x) print(x) def show_contours（objective, x_lims=[-10.0, 10.0] 。 y_lims=[-10.0, 10.0]。 x_ticks=100, y_ticks=100）。) x_step = (x_lims[1] - x_lims[0] ) / x_ticks y_step = (y_lims[1] - y_lims[0] ) / y_ticks X, Y = np.mgrid[x_lims[0]:x_lims[1] :x_step, y_lims[0]:y_lims[1] :y_step] res = [] for x_index in range(X.shape[0)。 res.append([]) for y_index in range(X.shape[1]) 。 x_val = X[x_index, y_index] 。 y_val = Y[x_index, y_index]. res[-1].append(objective(np.array([x_val, y_val]).T)) res = np.array(res) plt.figure(figsize=(7,7) plt.contour(X, Y, res, 100) plt.xlabel('$x_1$') plt.ylabel('$x_2$') show_contours(function_parabola) plt.scatter(np.array(var_history)[:,0], np.array(var_history)[:, 1], s=10, c='r') 。 plt.show()

標籤：

上一篇：HiveUDF-決議IP地址時極其緩慢

下一篇：如何用python數值解差分方程