[PYTHON] [PyTorch] Beispiel ④ ~ Definieren neuer Autograd-Funktionen (Definition der automatischen Differentialfunktionen) ~

Zweck

PyTorch-Tutorial [PyTorch: Definieren neuer Autograd-Funktionen](https://pytorch.org/tutorials/beginner/examples_autograd/two_layer_net_custom_function.html#sphx-glr-beginner-examples-autograd-two-layer-net-custom-function- Berechnen Sie Verlust und Gewicht mit dem PyTorch-Tensor und autograd </ span> unter Bezugnahme auf py).

Im vorherigen [PyTorch] -Beispiel T ~ TENSORS AND AUTOGRAD ~ wurden die Grundlagen der automatischen Differenzierung erläutert Ich habe die Handhabung vorgestellt.

Lassen Sie uns diesmal den zuletzt verwendeten automatischen Differenzierungscode in eine Funktion </ span> umwandeln.

Ausführliche Erklärungen und Code finden Sie unter "[PyTorch] Beispiel ④ ~ Definieren neuer Autograd-Funktionen ~". Schauen Sie bitte.

Lernprogramm

• [PyTorch] Tutorial (japanische Version) T ~ Tensol ~
• [PyTorch] Tutorial (japanische Version) ② ~ AUTOGRAD ~
• [PyTorch] Tutorial (japanische Version) NE ~ NEURAL NETWORKS (Neuronales Netzwerk) ~
• [PyTorch] Tutorial (japanische Version) ④ ~ TRAINING A CLASSIFIER (Bildklassifizierung) ~

Stichprobe

• [PyTorch] Beispiel ① ~ NUMPY ~
• [PyTorch] Beispiel ② ~ TENSOR ~
• [PyTorch] Beispiel ③ ~ TENSOREN UND AUTOGRAD ~
• [PyTorch] Beispiel ④ ~ Definieren neuer Autograd-Funktionen ~
• [PyTorch] Beispiel ⑤ ~ Statische Diagramme ~
• [PyTorch] Beispiel ⑥ ~ nn Package ~
• [PyTorch] Beispiel optim ~ Optimierungspaket ~
• [PyTorch] Beispiel ⑧ ~ So erstellen Sie ein komplexes Modell ~
• [PyTorch] Beispiel ⑨ ~ Dynamic Graph ~