Satunnaisten Tensorien Luominen
Satunnaiset tensorit ovat hyödyllisiä tietojen tai koneoppimismallien painojen alustamiseen (yleisin käyttötapaus).
Satunnaiset yhtenäisjakaumatensorit
Funktion torch.rand() avulla voidaan luoda tensori, jonka arvot ovat satunnaisia ja poimittu 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()-funktiota käytetään tensorin luomiseen, 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()-funktiota käytetään tensorin luomiseen, jonka arvot ovat satunnaisia kokonaislukuja ja poimittu diskreetistä tasajakaumasta.
Tämän funktion kaksi ensimmäistä parametria (low, joka on oletuksena 0, ja high) määrittävät arvojen vaihteluvälin (väliltä low aina high ei sisälly). 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 satunnaisluvut niin, että ne ovat samat joka kerta, kun ajat koodin.
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 sovellukset
- Painojen alustaminen: satunnaisia tensoreita käytetään usein neuroverkkojen painojen alustamiseen;
- Datan simulointi: satunnaisten tietoaineistojen luominen testaukseen ja kokeiluihin;
- Satunnainen otanta: satunnaisten tensorien käyttö tehtävissä kuten dropout ja kohinan lisääminen malleihin.
Kiitos palautteestasi!
Kysy tekoälyä
Kysy tekoälyä
Kysy mitä tahansa tai kokeile jotakin ehdotetuista kysymyksistä aloittaaksesi keskustelumme
What is the difference between torch.rand() and torch.randn()?
How do I specify the shape of a random tensor in PyTorch?
Why is setting a random seed important in machine learning?
Awesome!
Completion rate improved to 5Satunnaisten Tensorien Luominen
Pyyhkäise näyttääksesi valikon
Satunnaiset tensorit ovat hyödyllisiä tietojen tai koneoppimismallien painojen alustamiseen (yleisin käyttötapaus).
Satunnaiset yhtenäisjakaumatensorit
Funktion torch.rand() avulla voidaan luoda tensori, jonka arvot ovat satunnaisia ja poimittu 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()-funktiota käytetään tensorin luomiseen, 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()-funktiota käytetään tensorin luomiseen, jonka arvot ovat satunnaisia kokonaislukuja ja poimittu diskreetistä tasajakaumasta.
Tämän funktion kaksi ensimmäistä parametria (low, joka on oletuksena 0, ja high) määrittävät arvojen vaihteluvälin (väliltä low aina high ei sisälly). 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 satunnaisluvut niin, että ne ovat samat joka kerta, kun ajat koodin.
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 sovellukset
- Painojen alustaminen: satunnaisia tensoreita käytetään usein neuroverkkojen painojen alustamiseen;
- Datan simulointi: satunnaisten tietoaineistojen luominen testaukseen ja kokeiluihin;
- Satunnainen otanta: satunnaisten tensorien käyttö tehtävissä kuten dropout ja kohinan lisääminen malleihin.
Kiitos palautteestasi!
