derivative

    1熱度

    7回答

    我試圖實現一個函數,它計算矩陣中每個元素的Relu導數,然後將結果返回到矩陣中。我正在使用Python和Numpy。 基於其它交叉驗證帖,x的RELU衍生物是 1當x> 0時,0當x < 0,未定義或0當x == 0 目前,我有以下代碼,以便遠: def reluDerivative(self, x): return np.array([self.reluDerivativeSingle

    0熱度

    1回答

    我正在使用tensorflow的這個函數來獲得我的函數jacobian。跨兩個問題就來了: 的tensorflow文檔矛盾到本身在以下兩種段落如果我沒有弄錯: 梯度()增加了OPS到圖形輸出的偏導數ys關於xs。它返回長度爲len(xs)的張量列表,其中每個張量是y中y的總和(dy/dx)。 Blockquote Blockquote 返回: xs中每個x的和(dy/dx)列表。 塊引用 根據我的

    1熱度

    1回答

    我正與pyomo一起工作,並且已經定義了一個模型,並帶有一個目標函數可供使用。在模型解決之後,目標函數具有附加的某些參數。所以,如果我有一個多指標變量[x1, x2, x3],我的二次目標函數將假設如下所示:(x1^2 + 13*x2^2 + 10*x3^2) + (2*x1 +......)。 我的問題是:鑑於我實際上可以從目標中以字符串格式訪問這個表達式,有沒有辦法獲得這個函數關於所有變量的二

    1熱度

    1回答

    我發起我的高斯爲fspecial('gaussian', 4, 1),我知道gradient()是獲得一階導數的非常方便的方法。有沒有反正我可以計算一階導數而不使用gradient()?我使用它用於創建Harris角點檢測器,如圖所示如教科書中的第一個步驟: 計算圖像Ix和Iy的水平和垂直衍生物通過用高斯 的衍生物卷積的原始圖像

    1熱度

    1回答

    我正在實現一個3D perlin基於噪聲的球形行星發生器,但是當我嘗試利用噪聲計算中的分析導數時,出現了線條僞影。我計算使用米洛葉氏方法分析導數: 3D Perlin noise analytical derivative 例如,試圖使用IQ時的噪音: float IQturbulence(float3 p, int octaves, float freq, float amp, float ga

    1熱度

    2回答

    我試圖實現softmax函數(Softmax的雅可比矩陣)的導數矩陣。 我數學知道使用SoftMax(XI)的衍生物相對於X 1是: 其中紅色增量是Kronecker符號。 到目前爲止,我所實行的是: def softmax_grad(s): # input s is softmax value of the original input x. Its shape is (1,n)

    1熱度

    1回答

    我正在尋找類似numpy.polyfit 我有一個固定點,看起來像一個度2多項式 我想要做的是一個曲線的東西: 通過所述第一點去精確地(在下面的例子中(0.05 , 1.0)) 在第一點上有一個derivative =0 例如: TabX: 0,050 ; 0,055 ; 0,060 ; 0,065 ; 0,070 ; 0,075 ; 0,080 ; 0,085 ; 0,090 ; 0,095 ;

    0熱度

    2回答

    我有一個腳本在各種z處繪製一組(x,y)曲線。 import numpy as np import matplotlib.pyplot as plt x = np.linspace(0,1,100) z = np.linspace(0,30,30) def y(z, x): return z**(1-x) for i in z: plt.plot(x, y(i,

    1熱度

    1回答

    這是我的代碼。它是一個函數,用於評估另一個函數在某個x值下的導數。即使對於分數階導數(a),我也希望它返回有效的輸出。 from scipy.special import gamma import scipy.integrate as integrate import sympy as sp import scipy as sc import math def f(z): r

    1熱度

    1回答

    這裏是回溯: Traceback (most recent call last): File "test.py", line 39, in <module> hess = tf.hessians(loss, wrt_variables) File "/usr/local/lib/python3.4/dist-packages/tensorflow/python/ops