Lernen Funktionen Zur Tensorerstellung

Ähnlich wie NumPy bietet auch PyTorch mehrere eingebaute Funktionen, um Tensoren direkt zu erstellen. Diese Funktionen unterstützen bei der Initialisierung von Datenplatzhaltern und der Erzeugung strukturierter oder benutzerdefinierter Tensoren.

Tensor aus Nullen und Einsen

Um einen Tensor zu erzeugen, der mit Nullen gefüllt ist, wird torch.zeros() verwendet. Die Argumente geben die Größe jeder Dimension an, wobei die Anzahl der Argumente der Anzahl der Dimensionen entspricht:


              123
            
import torch 
tensor = torch.zeros(4, 2)
print(tensor)

Dies ist nützlich für die Initialisierung 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:


              123
            
import torch
tensor = torch.ones(3, 3)
print(tensor)

Dies kann besonders hilfreich sein für die Initialisierung von Gewichten, Bias-Terms oder für Operationen, bei denen ein Tensor aus Einsen als neutrales Element oder als spezifischer Multiplikator in mathematischen Berechnungen dient.

Arange und Linspace

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


              123
            
import torch
tensor = torch.arange(0, 10, step=2)
print(tensor)

Hier wurde erfolgreich ein Tensor mit Werten von 0 bis 10 exklusiv und einer Schrittgröße von 2 erstellt. Um gleichmäßig verteilte Werte zwischen einem Start- und Endpunkt zu erzeugen, wird torch.linspace() verwendet:


              123
            
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 erzeugen Tensoren mit derselben Form wie ein vorhandener Tensor:


              123456
            
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}")

War alles klar?

Danke für Ihr Feedback!

Abschnitt 1. Kapitel 3

Fragen Sie AI

Fragen Sie alles oder probieren Sie eine der vorgeschlagenen Fragen, um unser Gespräch zu beginnen

Swipe um das Menü anzuzeigen

Tensor aus Nullen und Einsen


              123
            
import torch 
tensor = torch.zeros(4, 2)
print(tensor)


              123
            
import torch
tensor = torch.ones(3, 3)
print(tensor)

Arange und Linspace

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


              123
            
import torch
tensor = torch.arange(0, 10, step=2)
print(tensor)


              123
            
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


              123456
            
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}")

War alles klar?

Danke für Ihr Feedback!

Abschnitt 1. Kapitel 3

Funktionen Zur Tensorerstellung

Tensor aus Nullen und Einsen

Arange und Linspace

Tensor aus Form

Awesome!

Funktionen Zur Tensorerstellung

Tensor aus Nullen und Einsen

Arange und Linspace

Tensor aus Form