Numpy Sigmoid
Sigmoid -funksjonen brukes til å forutsi de statistiske sannsynlighetsutgangene og kan finnes i utgangslagene til dype læringsarkitekturer og i maskinlæring. Denne funksjonen godtar innganger av et hvilket som helst utvalg av reelle tall og gir resultater med reelle verdier. La oss se på formlene for Sigmoid -funksjonen:
La oss begynne å implementere Sigmoid -funksjonen i Python ved hjelp av Numpy Library.
Syntaks:
Vi implementerer sigmoid_function i python. Nøkkelordet “def” betyr at vi definerer funksjonen i Python. Deretter skriver vi funksjonsnavnet som vi vil implementere. I funksjonsbrakettene passerer vi argumentet som kan være en variabel eller matrise i funksjonen. I funksjonen av funksjonen skriver vi Sigmoid -funksjonsformelen slik at vi får utgangen fra sigmoid -funksjonen.
Som du ser i formelen, bruker vi EXP () -funksjonen for å beregne eksponentiell for inverse av x. X er inngangsverdien eller inngangsarrayen til sigmoidfunksjonen.
Parameter:
x: Enkelt inngangsverdi eller inngangsutstilling av sigmoidfunksjonen.
Returverdi:
Returverdien til sigmoidfunksjonen avhenger av inngangsverdien til sigmoidfunksjonen. Hvis vi passerer det reelle tallet i Sigmoid -funksjonen, får vi det reelle antallet til gjengjeld. Men hvis vi passerer matrisen i Sigmoid -funksjonen, returnerer den Numpy Array. Den resulterende matrisen er elementsmessig og har samme form som formen på inngangsarrayen.
Eksempel 1:
La oss starte vårt aller første og enkle eksempel på Sigmoid -funksjonen i Python ved å bruke et av de viktige bibliotekene til Python som brukes til å beregne den numeriske verdien i Python -programmeringsspråket. For å implementere dette, må vi først installere Numpy Library. Etter dette importerer vi biblioteket slik at vi kan utføre de numeriske funksjonene i Python. Vi skriver først nøkkelordet "import" slik at det forteller kompilatoren at vi skal importere biblioteket. Deretter skriver vi biblioteknavnet som vi bruker i programmet som er "numpy". Vi kan også skrive aliaset til Numpy som er "NP". Nå begynner vi å skrive den faktiske kodelinjen til Sigmoid -funksjonen som vi vil utføre.
Etter å ha importert Numpy -biblioteket, kaller vi en utskrift () -metode slik at vi kan vise meldingen om at vi implementerer Sigmoid -funksjonen. Dette er valgfritt; Vi viser bare dette slik at brukerne lett kan forstå hva vi gjør i eksemplet. Deretter oppretter vi input -matrisen ved hjelp av array () -funksjonen til numpy. Deretter viser vi denne inngangsarrayen i skallet ved hjelp av print () -metoden igjen. Utskriftsmetoden er den forhåndsdefinerte metoden for Python-språk som brukes til å vise dataene i utdataene etter kompileringsprosessen.
Importer numpy som NP
Print ("Implementering av sigmoidfunksjon i Numpy Python:")
Array = NP.Array ([-0.1, 2.1, 1.1. 3.3, 0.1])
print ("\ n den inngangsarrayen er:", matrise)
def sigmoid (x):
Retur 1.0 / (1.0 + NP.EXP (-X))
Print ("\ n Sigmoid Array er:", Sigmoid (Array))
Som du ser, definerer vi Sigmoid -funksjonen fordi Numpy ikke gir noen funksjon for å beregne verdien på sigmoid, så vi må lage en tilpasset sigmoid -funksjon. Først skriver vi nøkkelordet “def” som betyr at vi forteller kompilatoren at vi definerer funksjonen. Deretter skriver vi funksjonsnavnet som vi utfører som er "Sigmoid". Deretter passerer vi parameteren i Sigmoid -funksjonen som er "X". I kroppen til Sigmoid -funksjonen skriver vi først "retur" nøkkelordet. Deretter implementerer vi sigmoidformlene som vi bruker i matematikk for å beregne sigmoid. Som du har lagt merke til, bruker vi EXP () -funksjonen i formelen fordi vi beregner eksponentiell for inverse av “X”, og det er grunnen til at vi bruker Exp () -funksjonen og deretter returner den beregnede formelen til Sigmoid -funksjonen. Deretter viser vi Sigmoid -matrisen ved hjelp av print () -metoden.
La oss nå se på utgangen fra Sigmoid -funksjonen som vi må beregne ved hjelp av Numpy -pakken:
Eksempel 2:
La oss gå videre til et annet eksempel på sigmoidfunksjonen. Først importerer vi biblioteket som er numpy fordi vi driver med de matematiske operasjonene på Python -språket. Vi skriver “Importer Numpy som NP” der import er nøkkelordet, Numpy er navnet på biblioteket, og NP er aliaset til Numpy.
Deretter oppretter vi en input -matrise ved hjelp av Linspace () -funksjonen. Det er en av funksjonene til Numpy som brukes til å plassere arrayen jevnt som inneholder 10 elementer fra -100 til 100. Og så lagrer vi hele funksjonen i en annen matrise som heter “Array” og viser den ved hjelp av Print () -metoden. Deretter definerer vi sigmoidfunksjonen fordi den ikke er en forhåndsdefinert funksjon av numpy. Deretter returnerer vi formelen til sigmoid til sigmoidfunksjonen.
Importer numpy som NP
print ("Implementering av sigmoidfunksjon i numpy: \ n")
Array = NP.Linspace (start = -100, stopp = 100, num = 10)
Print ("Inngangsarrayen er: \ n", Array)
def sigmoid (x):
Retur 1.0 / (1.0 + NP.EXP (-X))
Sigmoid_Values = Sigmoid (Array)
print ("\ n de sigmoidverdiene er: \ n", sigmoid_verdier)
Etter å ha definert Sigmoid -funksjonen, bruker vi Sigmoid -funksjonen og fører inngangsarrayen inn i den. Deretter lagrer vi funksjonen i en annen matrise som heter “Sigmoid_Values”. Deretter viser vi den nye matrisen ved å kalle metoden Print () og passere Sigmoid_Values i den.
La oss se utgangen fra Sigmoid -funksjonens andre eksempel og sjekk om vi får ønsket utgang eller ikke:
Som du kan se, får vi ønsket utgang av det tidligere forklarte eksemplet da vi ga inngangen til 10 elementer i matrisen.
Konklusjon
I denne artikkelen lærte vi om sigmoidfunksjonen og hvordan vi definerer sigmoidfunksjonen i Numpy fordi det ikke er en forhåndsdefinert funksjon av Numpy Python. Deretter implementerte vi flere eksempler på sigmoidfunksjonen og forklarte disse eksemplene.