Notice: This page requires JavaScript to function properly.
Please enable JavaScript in your browser settings or update your browser.
Aprende Funciones de Creación de Tensores | Introducción a PyTorch
Esenciales de PyTorch

bookFunciones de Creación de Tensores

De manera similar a NumPy, PyTorch también ofrece varias funciones integradas para crear tensores directamente. Estas funciones ayudan a inicializar espacios reservados de datos y a generar tensores estructurados o personalizados.

Tensor de ceros y unos

Para crear un tensor lleno de ceros, utiliza torch.zeros(). Los argumentos representan el tamaño de cada dimensión, y la cantidad de argumentos corresponde al número de dimensiones:

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

Esto es útil para inicializar sesgos o marcadores de posición donde los valores iniciales se establecen en cero. De manera similar, use torch.ones() para crear un tensor lleno de unos:

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

Esto puede ser especialmente útil para inicializar pesos, términos de sesgo o realizar operaciones donde un tensor de unos actúa como elemento neutro o como un multiplicador específico en cálculos matemáticos.

Arange y Linspace

De manera similar a numpy.arange(), torch.arange() genera una secuencia de valores con un tamaño de paso especificado:

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

Se ha creado correctamente un tensor con valores desde 0 hasta 10 exclusivo con un tamaño de paso igual a 2. Para crear valores equi-espaciados entre un punto inicial y final, utilice torch.linspace():

123
import torch tensor = torch.linspace(0, 1, steps=5) print(tensor)
copy

Esto genera un tensor con 5 valores equidistantes entre 0 y 1 inclusive.

Tensor a partir de una forma

Es posible crear tensores con una forma específica utilizando las variantes "like" de las funciones de creación. Estas crean tensores con la misma forma que un tensor existente:

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}")
copy
question mark

¿Cuál será la salida del siguiente fragmento de código de PyTorch?

Select the correct answer

¿Todo estuvo claro?

¿Cómo podemos mejorarlo?

¡Gracias por tus comentarios!

Sección 1. Capítulo 3

Pregunte a AI

expand

Pregunte a AI

ChatGPT

Pregunte lo que quiera o pruebe una de las preguntas sugeridas para comenzar nuestra charla

Suggested prompts:

Can you explain the difference between torch.zeros() and torch.ones()?

How do I choose between torch.arange() and torch.linspace() for generating sequences?

What are some practical use cases for the "like" variants of tensor creation functions?

Awesome!

Completion rate improved to 5

bookFunciones de Creación de Tensores

Desliza para mostrar el menú

De manera similar a NumPy, PyTorch también ofrece varias funciones integradas para crear tensores directamente. Estas funciones ayudan a inicializar espacios reservados de datos y a generar tensores estructurados o personalizados.

Tensor de ceros y unos

Para crear un tensor lleno de ceros, utiliza torch.zeros(). Los argumentos representan el tamaño de cada dimensión, y la cantidad de argumentos corresponde al número de dimensiones:

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

Esto es útil para inicializar sesgos o marcadores de posición donde los valores iniciales se establecen en cero. De manera similar, use torch.ones() para crear un tensor lleno de unos:

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

Esto puede ser especialmente útil para inicializar pesos, términos de sesgo o realizar operaciones donde un tensor de unos actúa como elemento neutro o como un multiplicador específico en cálculos matemáticos.

Arange y Linspace

De manera similar a numpy.arange(), torch.arange() genera una secuencia de valores con un tamaño de paso especificado:

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

Se ha creado correctamente un tensor con valores desde 0 hasta 10 exclusivo con un tamaño de paso igual a 2. Para crear valores equi-espaciados entre un punto inicial y final, utilice torch.linspace():

123
import torch tensor = torch.linspace(0, 1, steps=5) print(tensor)
copy

Esto genera un tensor con 5 valores equidistantes entre 0 y 1 inclusive.

Tensor a partir de una forma

Es posible crear tensores con una forma específica utilizando las variantes "like" de las funciones de creación. Estas crean tensores con la misma forma que un tensor existente:

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}")
copy
question mark

¿Cuál será la salida del siguiente fragmento de código de PyTorch?

Select the correct answer

¿Todo estuvo claro?

¿Cómo podemos mejorarlo?

¡Gracias por tus comentarios!

Sección 1. Capítulo 3
some-alt