Erstellen von Zufälligen Tensors

Zufällige Tensoren sind nützlich zur Initialisierung von Daten oder Gewichten in maschinellen Lernmodellen (der häufigste Anwendungsfall).

Zufällige Gleichverteilungstensoren

Die Funktion torch.rand() wird verwendet, um einen Tensor mit zufälligen Werten zu erstellen, die aus einer gleichmäßigen Verteilung zwischen 0 und 1 gezogen werden. Ähnlich wie bei den Funktionen zeros() und ones() geben die Argumente die Form des Tensors an.


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

Zufällige normale Tensoren

Die Funktion torch.randn() wird verwendet, um einen Tensor mit zufälligen Werten zu erstellen, die aus einer Standardnormalverteilung (Mittelwert = 0, Standardabweichung = 1) stammen.


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

Zufällige Ganzzahl-Tensoren

Die Funktion torch.randint() wird verwendet, um einen Tensor mit zufälligen Ganzzahlwerten zu erstellen, die aus einer diskreten Gleichverteilung stammen.

Die ersten beiden Parameter dieser Funktion (low, der standardmäßig 0 ist, und high) geben den Wertebereich an (von low bis high exklusiv). Der nächste Parameter gibt die Form des Tensors als Tupel an.


              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)

Zufälligen Seed setzen

Um die Reproduzierbarkeit zu gewährleisten, können Sie einen manuellen Seed setzen. Dies fixiert die generierten Zufallszahlen, sodass sie jedes Mal, wenn Sie den Code ausführen, gleich sind.


              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)

Praktische Anwendungsfälle für zufällige Tensoren

Gewichtsinitalisierung: Zufällige Tensoren werden häufig zur Initialisierung von Gewichten in neuronalen Netzwerken verwendet;
Daten simulieren: Erzeugen Sie zufällige Datensätze für Tests und Experimente;
Zufällige Stichproben: Verwenden Sie zufällige Tensoren für Aufgaben wie Dropout und Rauschzugabe in Modellen.

War alles klar?

Danke für Ihr Feedback!

Abschnitt 1. Kapitel 5