我们创建一些假数据来模拟真实嘚情况. 比如一个一元二次函数: y = a * ^2 + b, 我们给 y 数据加上一点噪声来更加真实的展示它.

只有一个输入层一个隐藏层，一个输出层

 

 3.训练网络并且可視化
 
 

#预测值和真实值的计算误差，MSELoss均方差
 loss.backward() #计算梯度误差反向传递，计算参数更新值
 

 


 

 
 


 

 


 

 我们创建一些假数据来模拟真实的情况. 比如两个二次汾布的数据, 不过他们的均值都不一样.
 


 

# 注意 , y 数据的数据形式是一定要像下面一样 (torch.cat 是在合并数据)
 

 


 

 


 

 


 

 注意此处的计算误差的函数选择分类，计算概率已经标签误差因为此神经网络的输出是一维数组【】
 


 

 

 


 

 因为out输出以后，我们需要计算他的预测值来画图，因此对于每一个【a,b】我们取最大的那个值的下标作为预测值来区分原数据
 


 

 


 

# 注意 , y 数据的数据形式是一定要像下面一样 (torch.cat 是在合并数据)
#输出[0,1],认为是第一个[1,0]认为是第二个
#預测值和真实值的计算误差，计算概率计算标签误差
 loss.backward() #计算梯度，误差反向传递计算参数更新值

 

 快速搭建，直接建神经层
 
 

二维函数Z=g(,Y)型用卷积公式求概率密度，积分区域如何确定（下）

因为关于二维随机变量主题内容重要难度大，例題多最主要是积分区间的确定是难点，同时关联卷积概念卷积公式容易，积分区间难以确定因为书上的例题都没有详细解释积分区間如何确定，所以分成上中下三篇博客写