Funzioni di Creazione dei Tensori
Analogamente a NumPy, anche PyTorch offre diverse funzioni integrate per creare direttamente tensori. Queste funzioni sono utili per inizializzare segnaposto di dati e generare tensori strutturati o personalizzati.
Tensore di Zeri e Uni
Per creare un tensore riempito di zeri, utilizzare torch.zeros(). Gli argomenti rappresentano la dimensione di ciascuna dimensione, con il numero di argomenti corrispondente al numero di dimensioni:
123import torch tensor = torch.zeros(4, 2) print(tensor)
Questo è utile per inizializzare bias o segnaposto dove i valori iniziali sono impostati a zero. Allo stesso modo, utilizzare torch.ones() per creare un tensore riempito di uni:
123import torch tensor = torch.ones(3, 3) print(tensor)
Questo può essere particolarmente utile per inizializzare pesi, termini di bias o eseguire operazioni in cui un tensore di uni funge da elemento neutro o da moltiplicatore specifico nei calcoli matematici.
Arange e Linspace
Analogamente a numpy.arange(), torch.arange() genera una sequenza di valori con una dimensione del passo specificata:
123import torch tensor = torch.arange(0, 10, step=2) print(tensor)
Abbiamo creato con successo un tensore con valori da 0 a 10 escluso con una dimensione del passo pari a 2. Per creare valori equidistanti tra un punto iniziale e uno finale, utilizzare torch.linspace():
123import torch tensor = torch.linspace(0, 1, steps=5) print(tensor)
Questo genera un tensore con 5 valori equidistanti tra 0 e 1 inclusi.
Tensore da Forma
È possibile creare tensori con una forma specifica utilizzando le varianti "like" delle funzioni di creazione. Queste creano tensori con la stessa forma di un tensore esistente:
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}")
Grazie per i tuoi commenti!
Chieda ad AI
Chieda ad AI
Chieda pure quello che desidera o provi una delle domande suggerite per iniziare la nostra conversazione
Awesome!
Completion rate improved to 5Funzioni di Creazione dei Tensori
Scorri per mostrare il menu
Analogamente a NumPy, anche PyTorch offre diverse funzioni integrate per creare direttamente tensori. Queste funzioni sono utili per inizializzare segnaposto di dati e generare tensori strutturati o personalizzati.
Tensore di Zeri e Uni
Per creare un tensore riempito di zeri, utilizzare torch.zeros(). Gli argomenti rappresentano la dimensione di ciascuna dimensione, con il numero di argomenti corrispondente al numero di dimensioni:
123import torch tensor = torch.zeros(4, 2) print(tensor)
Questo è utile per inizializzare bias o segnaposto dove i valori iniziali sono impostati a zero. Allo stesso modo, utilizzare torch.ones() per creare un tensore riempito di uni:
123import torch tensor = torch.ones(3, 3) print(tensor)
Questo può essere particolarmente utile per inizializzare pesi, termini di bias o eseguire operazioni in cui un tensore di uni funge da elemento neutro o da moltiplicatore specifico nei calcoli matematici.
Arange e Linspace
Analogamente a numpy.arange(), torch.arange() genera una sequenza di valori con una dimensione del passo specificata:
123import torch tensor = torch.arange(0, 10, step=2) print(tensor)
Abbiamo creato con successo un tensore con valori da 0 a 10 escluso con una dimensione del passo pari a 2. Per creare valori equidistanti tra un punto iniziale e uno finale, utilizzare torch.linspace():
123import torch tensor = torch.linspace(0, 1, steps=5) print(tensor)
Questo genera un tensore con 5 valori equidistanti tra 0 e 1 inclusi.
Tensore da Forma
È possibile creare tensori con una forma specifica utilizzando le varianti "like" delle funzioni di creazione. Queste creano tensori con la stessa forma di un tensore esistente:
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}")
Grazie per i tuoi commenti!
