Création de Tenseurs Aléatoires
Les tenseurs aléatoires sont utiles pour l'initialisation des données ou des poids dans les modèles d'apprentissage automatique (le cas d'utilisation le plus courant).
Tenseurs Uniformes Aléatoires
La fonction torch.rand() est utilisée pour créer un tenseur avec des valeurs aléatoires tirées d'une distribution uniforme entre 0 et 1. De manière similaire aux fonctions zeros() et ones(), les arguments spécifient la forme du tenseur.
1234import torch # Create a 6x8 tensor with random values between 0 and 1 random_tensor = torch.rand(6, 8) print(random_tensor)
Tenseurs Normaux Aléatoires
La fonction torch.randn() est utilisée pour créer un tenseur avec des valeurs aléatoires tirées d'une distribution normale standard (moyenne = 0, écart type = 1).
1234import torch # Create a 2x2 tensor with random values from a normal distribution normal_tensor = torch.randn(2, 2) print(normal_tensor)
Tenseurs d'Entiers Aléatoires
La fonction torch.randint() est utilisée pour créer un tenseur avec des valeurs entières aléatoires tirées d'une distribution uniforme discrète.
Les deux premiers paramètres de cette fonction (low, qui est égal à 0 par défaut, et high) spécifient l'intervalle des valeurs (de low à high exclu). Le paramètre suivant spécifie la forme du tenseur sous forme de tuple.
1234import torch # Create a 4x3 tensor with random integers between 0 and 10 integer_tensor = torch.randint(0, 10, (4, 3)) print(integer_tensor)
Définition de la graine aléatoire
Pour garantir la reproductibilité, il est possible de définir une graine manuelle. Cela permet de fixer les nombres aléatoires générés afin qu'ils soient identiques à chaque exécution du code.
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)
Cas d'utilisation pratiques des tenseurs aléatoires
- Initialisation des poids : les tenseurs aléatoires sont souvent utilisés pour initialiser les poids dans les réseaux de neurones ;
- Simulation de données : génération d'ensembles de données aléatoires pour les tests et l'expérimentation ;
- Échantillonnage aléatoire : utilisation de tenseurs aléatoires pour des tâches telles que le dropout et l'ajout de bruit dans les modèles.
Merci pour vos commentaires !
Demandez à l'IA
Demandez à l'IA
Posez n'importe quelle question ou essayez l'une des questions suggérées pour commencer notre discussion
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 5Création de Tenseurs Aléatoires
Glissez pour afficher le menu
Les tenseurs aléatoires sont utiles pour l'initialisation des données ou des poids dans les modèles d'apprentissage automatique (le cas d'utilisation le plus courant).
Tenseurs Uniformes Aléatoires
La fonction torch.rand() est utilisée pour créer un tenseur avec des valeurs aléatoires tirées d'une distribution uniforme entre 0 et 1. De manière similaire aux fonctions zeros() et ones(), les arguments spécifient la forme du tenseur.
1234import torch # Create a 6x8 tensor with random values between 0 and 1 random_tensor = torch.rand(6, 8) print(random_tensor)
Tenseurs Normaux Aléatoires
La fonction torch.randn() est utilisée pour créer un tenseur avec des valeurs aléatoires tirées d'une distribution normale standard (moyenne = 0, écart type = 1).
1234import torch # Create a 2x2 tensor with random values from a normal distribution normal_tensor = torch.randn(2, 2) print(normal_tensor)
Tenseurs d'Entiers Aléatoires
La fonction torch.randint() est utilisée pour créer un tenseur avec des valeurs entières aléatoires tirées d'une distribution uniforme discrète.
Les deux premiers paramètres de cette fonction (low, qui est égal à 0 par défaut, et high) spécifient l'intervalle des valeurs (de low à high exclu). Le paramètre suivant spécifie la forme du tenseur sous forme de tuple.
1234import torch # Create a 4x3 tensor with random integers between 0 and 10 integer_tensor = torch.randint(0, 10, (4, 3)) print(integer_tensor)
Définition de la graine aléatoire
Pour garantir la reproductibilité, il est possible de définir une graine manuelle. Cela permet de fixer les nombres aléatoires générés afin qu'ils soient identiques à chaque exécution du code.
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)
Cas d'utilisation pratiques des tenseurs aléatoires
- Initialisation des poids : les tenseurs aléatoires sont souvent utilisés pour initialiser les poids dans les réseaux de neurones ;
- Simulation de données : génération d'ensembles de données aléatoires pour les tests et l'expérimentation ;
- Échantillonnage aléatoire : utilisation de tenseurs aléatoires pour des tâches telles que le dropout et l'ajout de bruit dans les modèles.
Merci pour vos commentaires !
