Fonctions de Création de Tenseurs
De manière similaire à NumPy, PyTorch propose également plusieurs fonctions intégrées pour créer directement des tenseurs. Ces fonctions facilitent l'initialisation de conteneurs de données et la génération de tenseurs structurés ou personnalisés.
Tenseur de zéros et de uns
Pour créer un tenseur rempli de zéros, utiliser torch.zeros(). Les arguments représentent la taille de chaque dimension, le nombre d'arguments correspondant au nombre de dimensions :
123import torch tensor = torch.zeros(4, 2) print(tensor)
Utile pour initialiser des biais ou des espaces réservés où les valeurs initiales sont définies à zéro. De même, utiliser torch.ones() pour créer un tenseur rempli de uns :
123import torch tensor = torch.ones(3, 3) print(tensor)
Particulièrement utile pour initialiser des poids, termes de biais, ou effectuer des opérations où un tenseur de uns sert d’élément neutre ou de multiplicateur spécifique dans des calculs mathématiques.
Arange et Linspace
De manière similaire à numpy.arange(), torch.arange() génère une séquence de valeurs avec une taille de pas spécifiée :
123import torch tensor = torch.arange(0, 10, step=2) print(tensor)
Un tenseur a été créé avec succès avec des valeurs de 0 à 10 exclu avec une taille de pas égale à 2. Pour créer des valeurs espacées uniformément entre un point de départ et un point final, utiliser torch.linspace() :
123import torch tensor = torch.linspace(0, 1, steps=5) print(tensor)
Cela génère un tenseur avec 5 valeurs équidistantes comprises entre 0 et 1 inclus.
Tenseur à partir d'une forme
Il est possible de créer des tenseurs avec une forme spécifique en utilisant les variantes « like » des fonctions de création. Celles-ci créent des tenseurs ayant la même forme qu'un tenseur existant :
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}")
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
Awesome!
Completion rate improved to 5Fonctions de Création de Tenseurs
Glissez pour afficher le menu
De manière similaire à NumPy, PyTorch propose également plusieurs fonctions intégrées pour créer directement des tenseurs. Ces fonctions facilitent l'initialisation de conteneurs de données et la génération de tenseurs structurés ou personnalisés.
Tenseur de zéros et de uns
Pour créer un tenseur rempli de zéros, utiliser torch.zeros(). Les arguments représentent la taille de chaque dimension, le nombre d'arguments correspondant au nombre de dimensions :
123import torch tensor = torch.zeros(4, 2) print(tensor)
Utile pour initialiser des biais ou des espaces réservés où les valeurs initiales sont définies à zéro. De même, utiliser torch.ones() pour créer un tenseur rempli de uns :
123import torch tensor = torch.ones(3, 3) print(tensor)
Particulièrement utile pour initialiser des poids, termes de biais, ou effectuer des opérations où un tenseur de uns sert d’élément neutre ou de multiplicateur spécifique dans des calculs mathématiques.
Arange et Linspace
De manière similaire à numpy.arange(), torch.arange() génère une séquence de valeurs avec une taille de pas spécifiée :
123import torch tensor = torch.arange(0, 10, step=2) print(tensor)
Un tenseur a été créé avec succès avec des valeurs de 0 à 10 exclu avec une taille de pas égale à 2. Pour créer des valeurs espacées uniformément entre un point de départ et un point final, utiliser torch.linspace() :
123import torch tensor = torch.linspace(0, 1, steps=5) print(tensor)
Cela génère un tenseur avec 5 valeurs équidistantes comprises entre 0 et 1 inclus.
Tenseur à partir d'une forme
Il est possible de créer des tenseurs avec une forme spécifique en utilisant les variantes « like » des fonctions de création. Celles-ci créent des tenseurs ayant la même forme qu'un tenseur existant :
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}")
Merci pour vos commentaires !
