[PYTHON] Exemple [PyTorch] ④ ~ Définition de nouvelles fonctions d'autogradation (définition de fonctions différentielles automatiques) ~

Objectif

Tutoriel PyTorch [PyTorch: Définition de nouvelles fonctions autograd](https://pytorch.org/tutorials/beginner/examples_autograd/two_layer_net_custom_function.html#sphx-glr-beginner-examples-autograd-two-layer-function-net-custom- Calculez la perte et le poids en utilisant le tenseur PyTorch et autograd </ span> en référence à py).

Dans l'exemple précédent [PyTorch] ③ ~ TENSORS AND AUTOGRAD ~, les bases de la différenciation automatique J'ai présenté la manipulation.

Cette fois, transformons le code de différenciation automatique utilisé la dernière fois dans une fonction </ span>.

Pour obtenir des explications détaillées et du code, consultez «[PyTorch] Sample ④ ~ Defining New Autograd Functions ~" Regarde s'il te plait.

Didacticiel

• [PyTorch] Tutorial (version japonaise) ① ~ Tensol ~
• [PyTorch] Tutorial (version japonaise) ② ~ AUTOGRAD ~
• [PyTorch] Tutorial (version japonaise) ③ ~ NEURAL NETWORKS (Neural Network) ~
• [PyTorch] Tutorial (version japonaise) ④ ~ FORMATION D'UN CLASSIFIER (classification d'images) ~

échantillon

• [PyTorch] Sample ① ~ NUMPY ~
• [PyTorch] Exemple ② ~ TENSOR ~
• [PyTorch] Sample ③ ~ TENSORS AND AUTOGRAD ~
• [PyTorch] Sample ④ ~ Définition de nouvelles fonctions autograd ~
• [PyTorch] Exemple ⑤ ~ Graphiques statiques ~
• [PyTorch] Sample ⑥ ~ nn Package ~
• [PyTorch] Sample ⑦ ~ optim package ~
• [PyTorch] Sample ⑧ ~ Comment construire un modèle complexe ~
• [PyTorch] Sample ⑨ ~ Dynamic Graph ~