Автор оригинала: Team Python Pool.
Numpy Tanh | Тригонометрическая оценка инструментария
Модуль Numpy python-это инструментарий. Поскольку это функция для выполнения различных операций, эти операции являются высоконаучными вычислениями в python. Numpy поддерживает несколько измерений. Инструменты работают над ними. Массив в numpy может иметь одно измерение и два, три или выше. Таким образом, у нас есть краткий обзор. С этого момента мы будем читать о numpy tanh. Простая функция для использования и понимания тригонометрических функций.
Что такое Numpy tanh?
Эта функция используется для вычисления гиперболического тангенса для всех элементов массива, переданных в качестве аргумента. Здесь x(будучи элементами массива).
Примечание: Numpy tanh вычисляет гиперболический тангенс по элементам.
Синтаксис Numpy tanh
Стандартный синтаксис функции numpy tanh таков:
numpy.tanh(x, /,, *,,,,,[, signature, extobj]) =
Что эквивалентно в терминах математики
np.sinh(x)/np.cosh(x)
or-1j * np.tan(1j*x)
.
Другими простыми словами синтаксис tank можно записать так:
numpy.tanh(x[, out])
Параметры, используемые с numpy tanh:
Параметры | Обязательно или нет |
x | обязательный |
из | необязательный |
где | необязательный |
кастинг | необязательный |
приказ | необязательный |
субок | необязательный |
dtype | необязательный |
подпись | необязательный |
x: array_like
Этот параметр является входными значениями, квадратные корни которых должны быть определены. Другими словами, href=”https://mathworld.wolfram.com/Radicand.html”> он определяет радиканд. Радикал-это значение под радикалом при вычислении квадратного корня. href=”https://mathworld.wolfram.com/Radicand.html”> он определяет радиканд. Радикал-это значение под радикалом при вычислении квадратного корня.
из
Аргумент ключевого слова ‘out’ ожидает, что это будет кортеж с одной записью на выход (который может быть нулевым для массивов, выделяемых ufunc). Параметр out позволяет указать массив, в котором будут храниться выходные данные. Этот параметр используется не в более простых расчетах, а на более высоком уровне. Этот параметр предоставляет место для хранения результата. Если это предусмотрено, он должен иметь форму для широковещательных входов. Только что выделенный массив возвращается, если он не указан или отсутствует. Кортеж (возможный только в качестве аргумента ключевого слова) должен иметь длину, равную количеству выходов.
где
Этот параметр принимает логический массив, который передается вместе с операндами. Значения True указывают на то, что для вычисления ufunc в этой позиции и Ложные значения указывают на то, чтобы оставить значение на выходе в покое. Обобщенные ufuncs не могут использовать этот аргумент, потому что они принимают не скалярные входные данные.
приказ
Этот параметр определяет порядок итерации вычислений/выходной массив макета памяти. По умолчанию ” К. “означает, что выход должен быть C-непрерывным,” F “означает F-непрерывный,” A ” означает F-непрерывный, если входы являются F-непрерывными, а также не C-непрерывными
подпись
Этот аргумент позволяет вам предоставить конкретную сигнатуру для 1-d цикла, который будет использоваться в базовом вычислении. Если указанный цикл не существует для ufunc, то возникает ошибка типа. Обычно подходящий цикл находится автоматически путем сравнения входных типов с имеющимися и поиска цикла с типами данных. Атрибут types объекта ufunc предоставляет список известных сигнатур.
Тем не менее, есть и другие параметры, которые следует упомянуть. Но вам не обязательно знать все. Чтобы узнать все, нам нужно увидеть href=”https://numpy.org/doc/stable/reference/ufuncs.html#ufuncs-kwargs”>func docs. Таким образом, вы получите представление обо всех параметрах. href=”https://numpy.org/doc/stable/reference/ufuncs.html#ufuncs-kwargs”>func docs. Таким образом, вы получите представление обо всех параметрах.
Возвращаемое значение
Согласно href=”http://numpy.org/doc/stable/reference/generated/numpy.tanh.html”>NumPy.org, массив с гиперболическим касательным x для всех x, т. е. элементов массива. Что в основном является соответствующими гиперболическими значениями тангенса. href=”http://numpy.org/doc/stable/reference/generated/numpy.tanh.html”>NumPy.org, массив с гиперболическим касательным x для всех x, т. е. элементов массива. Что в основном является соответствующими гиперболическими значениями тангенса.
Когда Numpy tanh Вернет Ошибку значения
ValueError: недопустимая форма возвращаемого массива
если out указан и out.shape != x.shape
Примеры для понимания танха
Теперь сначала импортируем модуль
import numpy as np
Теперь лучше использовать numpy.
import math in_array = [0, math.pi / 2, np.pi / 3, np.pi] print ("Input array : \n", in_array) Input array : [0, 1.5707963267948966, 1.0471975511965976, 3.141592653589793].tanh(in_array) print ("\nTangent Hyperbolic values : \n", tanh_Values) Tangent Hyperbolic values : [ 0. 0.91715234 0.78071444 0.99627208]
Здесь мы также использовали параметр type для фиксации типа данных. Этот пример также показывает, что он сохраняет размерность исходного массива.
# Example of providing the optional output parameter illustrating # that what is returned is a reference to said parameter.array([0],).tanh([0.1], out1) out2 is out1 True
Теперь мы увидим графическое построение этого графика
Все примеры дают представление об использовании функции. Теперь вы готовы идти.
Что дальше?
NumPy является мощным и невероятно важным для информатики в Python. Это правда, если вы интересуетесь наукой о данных в Python, вам действительно следует узнать больше о Python.
Возможно, вам понравятся наши следующие учебники по numpy.
- Среднее значение: Реализация и важность
- Использование случайной функции для создания случайных данных
- Reshape: Изменение Формы Массивов С Легкостью
- Углубленное объяснение np.power() С Примерами
- Функция Зажима
Приложения в Реальном Мире
- Машинное обучение
- Нейронная сеть
Вывод
В заключение отметим, что функция numpy tanh полезна для сложных вычислений. Эти вычисления могут иметь более широкие аспекты—как первичные, так и научные.
Если у вас все еще есть какие-либо сомнения или вопросы, дайте мне знать в разделе комментариев ниже. Я постараюсь помочь вам как можно скорее.
Счастливого Пифонирования!