Willekeurige Tensors Aanmaken
Willekeurige tensors zijn nuttig voor het initialiseren van data of gewichten in machine learning-modellen (de meest voorkomende toepassing).
Willekeurige uniforme tensors
De functie torch.rand() wordt gebruikt om een tensor te maken met willekeurige waarden afkomstig uit een uniforme verdeling tussen 0 en 1. Net als bij de functies zeros() en ones(), geven de argumenten de vorm van de tensor aan.
1234import torch # Create a 6x8 tensor with random values between 0 and 1 random_tensor = torch.rand(6, 8) print(random_tensor)
Willekeurige Normale Tensoren
De functie torch.randn() wordt gebruikt om een tensor te creëren met willekeurige waarden afkomstig uit een standaard normale verdeling (gemiddelde = 0, standaardafwijking = 1).
1234import torch # Create a 2x2 tensor with random values from a normal distribution normal_tensor = torch.randn(2, 2) print(normal_tensor)
Willekeurige Gehele Tensoren
De functie torch.randint() wordt gebruikt om een tensor te creëren met willekeurige gehele waarden afkomstig uit een discrete uniforme verdeling.
De eerste twee parameters van deze functie (low, standaard gelijk aan 0, en high) geven het bereik van de waarden aan (van low tot high exclusief). De volgende parameter specificeert de vorm van de tensor als een 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)
Willekeurige Zaadwaarde Instellen
Voor reproduceerbaarheid kan een handmatige zaadwaarde worden ingesteld. Hiermee worden de willekeurige getallen vastgezet zodat ze elke keer dat de code wordt uitgevoerd hetzelfde zijn.
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)
Praktische Toepassingen van Willekeurige Tensoren
- Gewichtinitialisatie: willekeurige tensoren worden vaak gebruikt om gewichten in neurale netwerken te initialiseren;
- Simulatie van data: willekeurige datasets genereren voor testen en experimenten;
- Willekeurige sampling: gebruik willekeurige tensoren voor taken zoals dropout en het toevoegen van ruis in modellen.
Bedankt voor je feedback!
Vraag AI
Vraag AI
Vraag wat u wilt of probeer een van de voorgestelde vragen om onze chat te starten.
Awesome!
Completion rate improved to 5Willekeurige Tensors Aanmaken
Veeg om het menu te tonen
Willekeurige tensors zijn nuttig voor het initialiseren van data of gewichten in machine learning-modellen (de meest voorkomende toepassing).
Willekeurige uniforme tensors
De functie torch.rand() wordt gebruikt om een tensor te maken met willekeurige waarden afkomstig uit een uniforme verdeling tussen 0 en 1. Net als bij de functies zeros() en ones(), geven de argumenten de vorm van de tensor aan.
1234import torch # Create a 6x8 tensor with random values between 0 and 1 random_tensor = torch.rand(6, 8) print(random_tensor)
Willekeurige Normale Tensoren
De functie torch.randn() wordt gebruikt om een tensor te creëren met willekeurige waarden afkomstig uit een standaard normale verdeling (gemiddelde = 0, standaardafwijking = 1).
1234import torch # Create a 2x2 tensor with random values from a normal distribution normal_tensor = torch.randn(2, 2) print(normal_tensor)
Willekeurige Gehele Tensoren
De functie torch.randint() wordt gebruikt om een tensor te creëren met willekeurige gehele waarden afkomstig uit een discrete uniforme verdeling.
De eerste twee parameters van deze functie (low, standaard gelijk aan 0, en high) geven het bereik van de waarden aan (van low tot high exclusief). De volgende parameter specificeert de vorm van de tensor als een 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)
Willekeurige Zaadwaarde Instellen
Voor reproduceerbaarheid kan een handmatige zaadwaarde worden ingesteld. Hiermee worden de willekeurige getallen vastgezet zodat ze elke keer dat de code wordt uitgevoerd hetzelfde zijn.
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)
Praktische Toepassingen van Willekeurige Tensoren
- Gewichtinitialisatie: willekeurige tensoren worden vaak gebruikt om gewichten in neurale netwerken te initialiseren;
- Simulatie van data: willekeurige datasets genereren voor testen en experimenten;
- Willekeurige sampling: gebruik willekeurige tensoren voor taken zoals dropout en het toevoegen van ruis in modellen.
Bedankt voor je feedback!
