Satunnaisten Tensorien Luominen
Satunnaisia tensoreita käytetään tietojen tai painojen alustamiseen koneoppimismalleissa (yleisin käyttötapaus).
Satunnaiset yhtenäisjakaumatensorit
Funktion torch.rand() avulla luodaan tensori, jonka arvot ovat satunnaisia ja peräisin yhtenäisjakaumasta väliltä 0 ja 1. Samoin kuin zeros()- ja ones()-funktioissa, argumentit määrittävät tensorin muodon.
1234import torch # Create a 6x8 tensor with random values between 0 and 1 random_tensor = torch.rand(6, 8) print(random_tensor)
Satunnaiset normaalijakauman tensorit
torch.randn()-funktiolla luodaan tensori, jonka arvot ovat satunnaisia ja poimittu standardin normaalijakauman mukaisesti (keskiarvo = 0, keskihajonta = 1).
1234import torch # Create a 2x2 tensor with random values from a normal distribution normal_tensor = torch.randn(2, 2) print(normal_tensor)
Satunnaiset kokonaislukutensorit
torch.randint()-funktiolla luodaan tensori, jonka arvot ovat satunnaisia kokonaislukuja ja poimittu diskreetistä tasajakaumasta.
Tämän funktion kaksi ensimmäistä parametria (low, oletuksena 0, ja high) määrittävät arvojen vaihteluvälin (väliltä low aina high ei sisällytetä). Seuraava parametri määrittää tensorin muodon tuplena.
1234import torch # Create a 4x3 tensor with random integers between 0 and 10 integer_tensor = torch.randint(0, 10, (4, 3)) print(integer_tensor)
Satunnaissiementen asettaminen
Toistettavuuden varmistamiseksi voidaan asettaa manuaalinen siemen. Tämä kiinnittää satunnaisesti luodut luvut niin, että ne ovat samat joka kerta, kun koodi suoritetaan.
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)
Satunnaisten tensorien käytännön käyttökohteet
- Painojen alustaminen: satunnaisia tensoreita käytetään usein neuroverkkojen painojen alustamiseen;
- Datan simulointi: luodaan satunnaisia tietoaineistoja testaukseen ja kokeiluihin;
- Satunnainen otanta: käytetään satunnaisia tensoreita tehtävissä kuten dropout ja kohinan lisääminen malleihin.
Kiitos palautteestasi!
Kysy tekoälyä
Kysy tekoälyä
Kysy mitä tahansa tai kokeile jotakin ehdotetuista kysymyksistä aloittaaksesi keskustelumme
Awesome!
Completion rate improved to 5Satunnaisten Tensorien Luominen
Pyyhkäise näyttääksesi valikon
Satunnaisia tensoreita käytetään tietojen tai painojen alustamiseen koneoppimismalleissa (yleisin käyttötapaus).
Satunnaiset yhtenäisjakaumatensorit
Funktion torch.rand() avulla luodaan tensori, jonka arvot ovat satunnaisia ja peräisin yhtenäisjakaumasta väliltä 0 ja 1. Samoin kuin zeros()- ja ones()-funktioissa, argumentit määrittävät tensorin muodon.
1234import torch # Create a 6x8 tensor with random values between 0 and 1 random_tensor = torch.rand(6, 8) print(random_tensor)
Satunnaiset normaalijakauman tensorit
torch.randn()-funktiolla luodaan tensori, jonka arvot ovat satunnaisia ja poimittu standardin normaalijakauman mukaisesti (keskiarvo = 0, keskihajonta = 1).
1234import torch # Create a 2x2 tensor with random values from a normal distribution normal_tensor = torch.randn(2, 2) print(normal_tensor)
Satunnaiset kokonaislukutensorit
torch.randint()-funktiolla luodaan tensori, jonka arvot ovat satunnaisia kokonaislukuja ja poimittu diskreetistä tasajakaumasta.
Tämän funktion kaksi ensimmäistä parametria (low, oletuksena 0, ja high) määrittävät arvojen vaihteluvälin (väliltä low aina high ei sisällytetä). Seuraava parametri määrittää tensorin muodon tuplena.
1234import torch # Create a 4x3 tensor with random integers between 0 and 10 integer_tensor = torch.randint(0, 10, (4, 3)) print(integer_tensor)
Satunnaissiementen asettaminen
Toistettavuuden varmistamiseksi voidaan asettaa manuaalinen siemen. Tämä kiinnittää satunnaisesti luodut luvut niin, että ne ovat samat joka kerta, kun koodi suoritetaan.
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)
Satunnaisten tensorien käytännön käyttökohteet
- Painojen alustaminen: satunnaisia tensoreita käytetään usein neuroverkkojen painojen alustamiseen;
- Datan simulointi: luodaan satunnaisia tietoaineistoja testaukseen ja kokeiluihin;
- Satunnainen otanta: käytetään satunnaisia tensoreita tehtävissä kuten dropout ja kohinan lisääminen malleihin.
Kiitos palautteestasi!
