wordpress照片exif,绍兴网站优化,张家港早晨网站制作,公众号开发所需技术%matplotlib inline 是在 Jupyter Notebook 中使用的一个魔法命令#xff0c;主要用于配置 Matplotlib 图形的显示方式。具体来说#xff0c;这个命令的作用是将 Matplotlib 生成的图形直接嵌入到 notebook 中#xff0c;而不是在弹出的窗口中显示。
使用方法
在 Jupyter …%matplotlib inline 是在 Jupyter Notebook 中使用的一个魔法命令主要用于配置 Matplotlib 图形的显示方式。具体来说这个命令的作用是将 Matplotlib 生成的图形直接嵌入到 notebook 中而不是在弹出的窗口中显示。
使用方法
在 Jupyter Notebook 的代码单元中输入以下命令
%matplotlib inline
作用
内嵌显示执行后所有使用 Matplotlib 绘制的图形会直接显示在代码单元下方。方便展示适合于数据分析、可视化和教学等场景可以方便地展示图形而无需额外窗口。
示例
下面是一个简单的例子演示如何使用 %matplotlib inline
import matplotlib.pyplot as plt
import numpy as np# 启用 inline 模式
%matplotlib inline# 创建数据
x np.linspace(0, 10, 100)
y np.sin(x)# 绘制图形
plt.plot(x, y)
plt.title(Sine Wave)
plt.xlabel(x)
plt.ylabel(sin(x))
plt.show()
结果
运行上述代码后会看到一个正弦波图形直接显示在 Jupyter Notebook 中。
线性回归从0开始
首先导入所需的包或模块
%matplotlib inline
from IPython import display
from matplotlib import pyplot as plt
from mxnet import autograd,nd
import random
代码解释 %matplotlib inline: 这是一个魔法命令用于在 Jupyter Notebook 中直接显示 Matplotlib 绘制的图形而不需要调用 plt.show()。 from IPython import display: 这个模块提供了在 Jupyter Notebook 中显示各种媒体类型的工具包括图像、视频和 HTML 内容。 from matplotlib import pyplot as plt: Matplotlib 是一个用于绘制图形的库pyplot 提供了一系列方便的函数使 Matplotlib 的使用类似于 MATLAB。 from mxnet import autograd, nd: MXNet 是一个深度学习框架。 autograd 用于自动微分适合构建和训练神经网络。nd 是一个类似于 NumPy 的多维数组类但针对 GPU 进行了优化。 import random: Python 内置的随机库用于生成随机数和执行随机操作例如打乱列表或选择随机元素。
# 导入库
%matplotlib inline
from IPython import display
from matplotlib import pyplot as plt
from mxnet import autograd, nd
import random# 生成随机数据
x nd.array([random.uniform(0, 10) for _ in range(100)]) # 生成100个随机x值
y nd.array([2.5 * xi random.uniform(-1, 1) for xi in x]) # 线性关系 y 2.5x 噪声# 创建简单的线性回归模型
W nd.random_normal(shape(1,), ctxx.context) # 初始化权重
b nd.random_normal(shape(1,), ctxx.context) # 初始化偏置# 定义损失函数
def loss(y_true, y_pred):return ((y_true - y_pred) ** 2).mean() # 均方误差# 训练模型
learning_rate 0.01
for epoch in range(10):with autograd.record(): # 开始记录梯度y_pred W * x b # 线性模型l loss(y, y_pred) # 计算损失l.backward() # 反向传播W[:] - learning_rate * W.grad # 更新权重b[:] - learning_rate * b.grad # 更新偏置print(f第 {epoch 1} 轮, 损失: {l.asscalar()}) # 输出当前损失# 可视化结果
plt.scatter(x.asnumpy(), y.asnumpy(), colorblue, label数据点) # 绘制数据点
plt.plot(x.asnumpy(), (W * x b).asnumpy(), colorred, label拟合直线) # 绘制拟合直线
plt.title(线性回归示例)
plt.xlabel(x)
plt.ylabel(y)
plt.legend()
plt.show() # 显示图形
示例代码说明
生成数据随机生成100个数据点模拟一个线性关系 ( y 2.5x \text{噪声} )。线性回归模型定义一个简单的线性回归模型使用梯度下降法进行训练。可视化结果使用 Matplotlib 绘制数据点和拟合的直线。
