Lære Oprettelse af Tilfældige Tensorer

Tilfældige tensorer er nyttige til initialisering af data eller vægte i maskinlæringsmodeller (det mest almindelige anvendelsestilfælde).

Tilfældige uniforme tensorer

Funktionen torch.rand() bruges til at oprette en tensor med tilfældige værdier trukket fra en uniform fordeling mellem 0 og 1. Ligesom med funktionerne zeros() og ones(), angiver argumenterne tensorens form.


              1234
            
import torch
# Create a 6x8 tensor with random values between 0 and 1
random_tensor = torch.rand(6, 8)
print(random_tensor)

Tilfældige normale tensorer

Funktionen torch.randn() bruges til at oprette en tensor med tilfældige værdier trukket fra en standard normalfordeling (middelværdi = 0, standardafvigelse = 1).


              1234
            
import torch
# Create a 2x2 tensor with random values from a normal distribution
normal_tensor = torch.randn(2, 2)
print(normal_tensor)

Tilfældige heltals-tensorer

Funktionen torch.randint() bruges til at oprette en tensor med tilfældige heltalsværdier trukket fra diskret uniform fordeling.

De første to parametre for denne funktion (low, som som standard er 0, og high) angiver intervallet af værdier (fra low til high eksklusiv). Den næste parameter angiver formen på tensoren som et tuple.


              1234
            
import torch
# Create a 4x3 tensor with random integers between 0 and 10
integer_tensor = torch.randint(0, 10, (4, 3))
print(integer_tensor)

Indstilling af tilfældig seed

For at sikre reproducerbarhed kan du angive en manuel seed. Dette fastlåser de tilfældige tal, der genereres, så de er de samme hver gang koden køres.


              123456
            
import torch
# Set the random seed
torch.manual_seed(42)
# Create a 2x3 tensor with random values
seeded_tensor = torch.rand(2, 3)
print(seeded_tensor)

Praktiske anvendelser af tilfældige tensorer

Vægtinitialisering: tilfældige tensorer bruges ofte til at initialisere vægte i neurale netværk;
Simulering af data: generering af tilfældige datasæt til test og eksperimenter;
Tilfældig sampling: brug af tilfældige tensorer til opgaver som dropout og støjtilføjelse i modeller.

Var alt klart?

Tak for dine kommentarer!

Sektion 1. Kapitel 5

Spørg AI

Spørg om hvad som helst eller prøv et af de foreslåede spørgsmål for at starte vores chat

Suggested prompts:

What is the difference between torch.rand() and torch.randn()?

How do I choose the shape of the tensor I need?

Can you explain more about setting the random seed and why it's important?

Stryg for at vise menuen

Tilfældige tensorer er nyttige til initialisering af data eller vægte i maskinlæringsmodeller (det mest almindelige anvendelsestilfælde).

Tilfældige uniforme tensorer


              1234
            
import torch
# Create a 6x8 tensor with random values between 0 and 1
random_tensor = torch.rand(6, 8)
print(random_tensor)

Tilfældige normale tensorer

Funktionen torch.randn() bruges til at oprette en tensor med tilfældige værdier trukket fra en standard normalfordeling (middelværdi = 0, standardafvigelse = 1).


              1234
            
import torch
# Create a 2x2 tensor with random values from a normal distribution
normal_tensor = torch.randn(2, 2)
print(normal_tensor)

Tilfældige heltals-tensorer

Funktionen torch.randint() bruges til at oprette en tensor med tilfældige heltalsværdier trukket fra diskret uniform fordeling.


              1234
            
import torch
# Create a 4x3 tensor with random integers between 0 and 10
integer_tensor = torch.randint(0, 10, (4, 3))
print(integer_tensor)

Indstilling af tilfældig seed

For at sikre reproducerbarhed kan du angive en manuel seed. Dette fastlåser de tilfældige tal, der genereres, så de er de samme hver gang koden køres.


              123456
            
import torch
# Set the random seed
torch.manual_seed(42)
# Create a 2x3 tensor with random values
seeded_tensor = torch.rand(2, 3)
print(seeded_tensor)

Praktiske anvendelser af tilfældige tensorer

Vægtinitialisering: tilfældige tensorer bruges ofte til at initialisere vægte i neurale netværk;
Simulering af data: generering af tilfældige datasæt til test og eksperimenter;
Tilfældig sampling: brug af tilfældige tensorer til opgaver som dropout og støjtilføjelse i modeller.

Var alt klart?

Tak for dine kommentarer!

Sektion 1. Kapitel 5

Oprettelse af Tilfældige Tensorer

Tilfældige uniforme tensorer

Tilfældige normale tensorer

Tilfældige heltals-tensorer

Indstilling af tilfældig seed

Praktiske anvendelser af tilfældige tensorer

Awesome!

Oprettelse af Tilfældige Tensorer

Tilfældige uniforme tensorer

Tilfældige normale tensorer

Tilfældige heltals-tensorer

Indstilling af tilfældig seed

Praktiske anvendelser af tilfældige tensorer