Funciones 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:
123import torch tensor = torch.zeros(4, 2) print(tensor)
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:
123import torch tensor = torch.ones(3, 3) print(tensor)
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:
123import torch tensor = torch.arange(0, 10, step=2) print(tensor)
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()
:
123import torch tensor = torch.linspace(0, 1, steps=5) print(tensor)
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:
123456import 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}")
¡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
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
Funciones 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:
123import torch tensor = torch.zeros(4, 2) print(tensor)
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:
123import torch tensor = torch.ones(3, 3) print(tensor)
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:
123import torch tensor = torch.arange(0, 10, step=2) print(tensor)
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()
:
123import torch tensor = torch.linspace(0, 1, steps=5) print(tensor)
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:
123456import 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}")
¡Gracias por tus comentarios!