python中如何使用matplotlib模塊

這篇文章給大家介紹python中如何使用matplotlib模塊，內容非常詳細，感興趣的小伙伴們可以參考借鑒，希望對大家能有所幫助。

　　常見的激活函數效果圖如下：

　　代碼區：

　　#!E:\anaconda\python.exe

　　# -*-coding:utf-8 -*-

　　"""

　　功能：繪制激活函數 常見的激活函數有sigmoid、tanh、ReLU、eru、leaky ReLU、softmax

　　時間：2019/10/6

　　"""

　　from matplotlib import pyplot as plt

　　import numpy as np

　　# 1.sigmoid函數的表達式：f(x) = 1/(1+e^-x)

　　x = np.linspace(-6,6,200)

　　def sigmoid(x):

　　y = 1/(1+np.exp(-x))

　　return y

　　# 2.tanh的函數表達式： f(x) = (e^x-e^-x)/(e^x+e-x)

　　def tanh(x):

　　y = (np.exp(x) - np.exp(-x))/(np.exp(x) + np.exp(-x))

　　return y

　　#3. ReLu 的函數表達式： f(x)= 當x<0 f(x)0 當x>=0 f(x) = x

　　def ReLU(x):

　　y = []

　　for i in x:

　　if i >= 0:

　　y.append(i)

　　else:

　　y.append(0)

　　return y

　　#return np.maximum(x,[0]*100) #可以利用np中的maximum方法表示，也可以用上述方法

　　#4.elu 的函數表達式 f(x) x>=0 f(x)=x x<0 f(x) =a(e^x -1)

　　def elu(x,a):

　　y = []

　　for i in x:

　　if i>=0:

　　y.append(i)

　　else:

　　y.append(a*(np.exp(i)-1))

　　return y

　　#5.leaky ReLU 的函數表達式 x>=0 f(x)=x x<0 f(x) =0.01x

　　def LReLU(x):

　　y = []

　　for i in x:

　　if i>=0:

　　y.append(i)

　　else:

　　y.append(0.01*i)

　　return y

　　# softmax激活函數 softmax的表達式為：輸入信號的指數函數除以所有輸入信號的指數和

　　def softmax(x):

　　c = np.max(x) #解決溢出問題

　　exe_x = np.exp(x)

　　exe_s = np.sum(exe_x)

　　y = exe_x/exe_s

　　return y

　　plt.subplot(1,2,1) #畫子圖

　　plt.plot(x,sigmoid(x),c="red",lw="2",label = "sigmiod")

　　plt.plot(x,tanh(x),c="blue",lw="2",label = "tanh")

　　plt.plot(x,softmax(x),c="yellow",lw="2",label = "softmax")

　　plt.gca().spines["bottom"].set_position(("data",0)) #將函數圖像移動到x軸(0,0)

　　plt.gca().spines["left"].set_position(("data",0)) #將函數圖形移動到y軸(0,0)

　　plt.xlabel("x軸",fontproperties="SimHei")

　　plt.ylabel("y軸",fontproperties="SimHei")

　　plt.title("激活函數",fontproperties="SimHei")

　　plt.legend(loc="best")

　　plt.subplot(1,2,2)

　　plt.plot(x,ReLU(x),c="blue",lw="2",label="ReLU")

　　plt.plot(x,elu(x,0.1),c="yellow",lw="2",label="elu")

　　plt.plot(x,LReLU(x),c="green",lw="2",label="LReLU")

　　plt.gca().spines["bottom"].set_position(("data",0))

　　plt.gca().spines["left"].set_position(("data",0))

　　plt.xlabel("x軸",fontproperties="SimHei")

　　plt.ylabel("y軸",fontproperties="SimHei")

　　plt.title("激活函數",fontproperties="SimHei")

　　plt.legend(loc="best")

　　plt.show()

　　**

　　sigmoid激活函數：

　　**

　　優點：1.輸出[0,1]之間，利用前向傳播

　　2.連續函數，方便求導

　　缺點：1.容易產生梯度消失。一般5層以內就會產生梯度消失的現象。

　　2.輸出不是以零為中心

　　3.大量運算時相當耗時(由于是冪函數)

　　**

　　tanh激活函數：

　　**

　　優點：1.輸出[-1,1]之間，利用前向傳播

　　2.連續函數，方便求導

　　3.輸出以零為中心

　　缺點：1.容易產生梯度消失。一般5層以內就會產生梯度消失的現象。

　　2.大量數據運算時相當耗時(由于是冪函數)

　　**

　　ReLU激活函數：

　　**

　　優點：1.解決了正區間梯度消失問題

　　2.易于計算

　　3.收斂速度快

　　缺點：1.輸出不是以零為中心

　　2.某些神經元不能被激活，導致參數永遠不能更新

　　**無錫人流醫院哪家好 http://www.bhnnkyy120.com/

　　Leaky ReLU激活函數：

　　**

　　優點：

　　1.解決了正區間梯度消失問題

　　2.易于計算

　　3.收斂速度快

　　4.解決了某些神經元不能被激活

　　缺點：輸出不是以零為中心

　　**

　　elu激活函數：

　　**

　　優點：

　　1.解決了正區間梯度消失問題

　　2.易于計算

　　3.收斂速度快

　　4.解決了某些神經元不能被激活

　　5.輸出的均值為0

　　缺點：輸出不是以零為中心

　　softmax激活函數：

　　**

　　一般用在分類的輸出層作為激活函數

　　優點：

　　1.輸出在[0,1]之間，可以當初概率

　　缺點：

　　在實際問題中，由于冪運算需要時間，而且softmax不會影響各元素的大小，因此輸出層的softmax激活函數一般被省略。

關于python中如何使用matplotlib模塊就分享到這里了，希望以上內容可以對大家有一定的幫助，可以學到更多知識。如果覺得文章不錯，可以把它分享出去讓更多的人看到。