Creación de Tensores Aleatorios
Los tensores aleatorios son útiles para inicializar datos o pesos en modelos de aprendizaje automático (el caso de uso más común).
Tensores Aleatorios Uniformes
La función torch.rand()
se utiliza para crear un tensor con valores aleatorios extraídos de una distribución uniforme entre 0
y 1
. De manera similar a las funciones zeros()
y ones()
, los argumentos especifican la forma del tensor.
1234import torch # Create a 6x8 tensor with random values between 0 and 1 random_tensor = torch.rand(6, 8) print(random_tensor)
Tensores Aleatorios Normales
La función torch.randn()
se utiliza para crear un tensor con valores aleatorios extraídos de una distribución normal estándar (media = 0, desviación estándar = 1).
1234import torch # Create a 2x2 tensor with random values from a normal distribution normal_tensor = torch.randn(2, 2) print(normal_tensor)
Tensores Aleatorios de Enteros
La función torch.randint()
se utiliza para crear un tensor con valores enteros aleatorios extraídos de una distribución uniforme discreta.
Los dos primeros parámetros de esta función (low
, que por defecto es 0
, y high
) especifican el rango de valores (desde low
hasta high
exclusivo). El siguiente parámetro especifica la forma del tensor como una tupla.
1234import torch # Create a 4x3 tensor with random integers between 0 and 10 integer_tensor = torch.randint(0, 10, (4, 3)) print(integer_tensor)
Configuración de la semilla aleatoria
Para garantizar la reproducibilidad, es posible establecer una semilla manual. Esto fija los números aleatorios generados para que sean los mismos cada vez que se ejecuta el código.
123456import 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)
Casos de uso prácticos para tensores aleatorios
- Inicialización de pesos: los tensores aleatorios se utilizan frecuentemente para inicializar los pesos en redes neuronales;
- Simulación de datos: generación de conjuntos de datos aleatorios para pruebas y experimentación;
- Muestreo aleatorio: uso de tensores aleatorios para tareas como dropout y adición de ruido en modelos.
¡Gracias por tus comentarios!
Pregunte a AI
Pregunte a AI
Pregunte lo que quiera o pruebe una de las preguntas sugeridas para comenzar nuestra charla
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?
Awesome!
Completion rate improved to 5
Creación de Tensores Aleatorios
Desliza para mostrar el menú
Los tensores aleatorios son útiles para inicializar datos o pesos en modelos de aprendizaje automático (el caso de uso más común).
Tensores Aleatorios Uniformes
La función torch.rand()
se utiliza para crear un tensor con valores aleatorios extraídos de una distribución uniforme entre 0
y 1
. De manera similar a las funciones zeros()
y ones()
, los argumentos especifican la forma del tensor.
1234import torch # Create a 6x8 tensor with random values between 0 and 1 random_tensor = torch.rand(6, 8) print(random_tensor)
Tensores Aleatorios Normales
La función torch.randn()
se utiliza para crear un tensor con valores aleatorios extraídos de una distribución normal estándar (media = 0, desviación estándar = 1).
1234import torch # Create a 2x2 tensor with random values from a normal distribution normal_tensor = torch.randn(2, 2) print(normal_tensor)
Tensores Aleatorios de Enteros
La función torch.randint()
se utiliza para crear un tensor con valores enteros aleatorios extraídos de una distribución uniforme discreta.
Los dos primeros parámetros de esta función (low
, que por defecto es 0
, y high
) especifican el rango de valores (desde low
hasta high
exclusivo). El siguiente parámetro especifica la forma del tensor como una tupla.
1234import torch # Create a 4x3 tensor with random integers between 0 and 10 integer_tensor = torch.randint(0, 10, (4, 3)) print(integer_tensor)
Configuración de la semilla aleatoria
Para garantizar la reproducibilidad, es posible establecer una semilla manual. Esto fija los números aleatorios generados para que sean los mismos cada vez que se ejecuta el código.
123456import 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)
Casos de uso prácticos para tensores aleatorios
- Inicialización de pesos: los tensores aleatorios se utilizan frecuentemente para inicializar los pesos en redes neuronales;
- Simulación de datos: generación de conjuntos de datos aleatorios para pruebas y experimentación;
- Muestreo aleatorio: uso de tensores aleatorios para tareas como dropout y adición de ruido en modelos.
¡Gracias por tus comentarios!