Ähnlich wie **NumPy** bietet auch PyTorch mehrere eingebaute Funktionen, um **Tensors direkt zu erstellen**. Diese Funktionen helfen bei der Initialisierung von Datenplatzhaltern und der Erzeugung von strukturierten oder benutzerdefinierten Tensors.

## Tensor von Nullen und Einsen

Um einen Tensor zu erstellen, der mit **Nullen** gefüllt ist, verwenden Sie `torch.zeros()`. Die Argumente repräsentieren die **Größe jeder Dimension**, wobei die Anzahl der Argumente der **Anzahl der Dimensionen** entspricht:

import torch 
tensor = torch.zeros(4, 2)
print(tensor)

Dies ist nützlich zum **Initialisieren von Biases** oder Platzhaltern, bei denen die Anfangswerte auf Null gesetzt werden. Verwenden Sie ähnlich `torch.ones()`, um einen Tensor zu erstellen, der mit **Einsen** gefüllt ist:

import torch
tensor = torch.ones(3, 3)
print(tensor)

Dies kann besonders nützlich sein für **Initialisieren von Gewichten**, **Bias-Begriffen** oder bei Operationen, bei denen ein Tensor von Einsen als neutrales Element oder spezifischer Multiplikator in mathematischen Berechnungen dient.

## Arange und Linspace

Ähnlich wie `numpy.arange()`, erzeugt `torch.arange()` eine Sequenz von Werten mit einer angegebenen **Schrittgröße**:

import torch
tensor = torch.arange(0, 10, step=2)
print(tensor)

Wir haben erfolgreich einen Tensor mit Werten von `0` bis `10` **exklusiv** mit der Schrittgröße `2` erstellt. Um **gleichmäßig verteilte** Werte zwischen einem Start- und Endpunkt zu erstellen, verwenden Sie `torch.linspace()`:

import torch
tensor = torch.linspace(0, 1, steps=5)
print(tensor)

Dies erzeugt einen Tensor mit `5` **gleichmäßig verteilten** Werten zwischen `0` und `1` **einschließlich**.

## Tensor aus Form

Sie können Tensoren mit einer bestimmten Form erstellen, indem Sie die **"like" Varianten** der Erstellungsfunktionen verwenden. Diese erstellen Tensoren mit der **gleichen Form** wie ein vorhandener Tensor:

import torch
x = torch.tensor([[1, 2, 3], [4, 5, 6]])
zeros_tensor = torch.zeros_like(x)
ones_tensor = torch.ones_like(x)
print(f"Tensor of zeros: {zeros_tensor}")
print(f"Tensor of ones: {ones_tensor}")

Was wird die Ausgabe des folgenden PyTorch-Code-Snippets sein?

Lernen Sie die grundlegenden und fortgeschrittenen Konzepte, die erforderlich sind, um effizient mit PyTorch zu arbeiten. Erhalten Sie ein solides Verständnis für Tensors, einschließlich Erstellung, Operationen und Umformung. Erkunden Sie die Grundlagen von Gradienten, Backpropagation und linearer Regression, bevor Sie zu Datensätzen übergehen. Beherrschen Sie die Fähigkeiten, die erforderlich sind, um neuronale Netzwerke zu erstellen, zu trainieren und zu bewerten.

Erkunden Sie die Grundlagen von PyTorch mit Fokus auf Tensors - die zentrale Datenstruktur für Berechnungen. Sie werden etwas über die Erstellung von Tensors, zufällige Initialisierung, mathematische Operationen und Formmanipulation lernen.

Erkunden Sie wichtige Konzepte zum Trainieren von Modellen in PyTorch, einschließlich der Berechnung von Gradienten und der Durchführung von mehrstufiger Rückwärtspropagation. Meistern Sie die lineare Regression als grundlegendes maschinelles Lernmodell und lernen Sie, Datensätze effizient zu handhaben.

Entdecken Sie, wie Sie neuronale Netzwerke mit PyTorch erstellen, trainieren und bewerten. Sie werden lernen, wie man ein einfaches Feedforward-Neuronales Netzwerk definiert, seine Parameter durch Training optimiert und seine Leistung bewertet.

Pytorch Grundlagen

Tensor-Erstellungsfunktionen

Tensor von Nullen und Einsen

Arange und Linspace

Tensor aus Form