Tensorcreatiefuncties
Net als bij NumPy biedt PyTorch ook verschillende ingebouwde functies om direct tensors te creëren. Deze functies zijn handig voor het initialiseren van gegevensplaats-houders en het genereren van gestructureerde of aangepaste tensors.
Tensor van nullen en enen
Gebruik torch.zeros() om een tensor gevuld met nullen te maken. De argumenten geven de grootte van elke dimensie aan, waarbij het aantal argumenten overeenkomt met het aantal dimensies:
123import torch tensor = torch.zeros(4, 2) print(tensor)
Dit is nuttig voor het initialiseren van biases of tijdelijke aanduidingen waarbij de beginwaarden op nul worden gezet. Gebruik op vergelijkbare wijze torch.ones() om een tensor gevuld met enen te maken:
123import torch tensor = torch.ones(3, 3) print(tensor)
Dit kan bijzonder nuttig zijn voor het initialiseren van gewichten, bias-termen, of het uitvoeren van bewerkingen waarbij een tensor van enen dient als neutraal element of specifieke vermenigvuldiger in wiskundige berekeningen.
Arange en Linspace
Net als numpy.arange() genereert torch.arange() een reeks waarden met een opgegeven stapgrootte:
123import torch tensor = torch.arange(0, 10, step=2) print(tensor)
Er is succesvol een tensor aangemaakt met waarden van 0 tot 10 exclusief met een stapgrootte van 2. Om gelijkmatig verdeelde waarden te creëren tussen een begin- en eindpunt, gebruik torch.linspace():
123import torch tensor = torch.linspace(0, 1, steps=5) print(tensor)
Hiermee wordt een tensor gegenereerd met 5 gelijkmatig verdeelde waarden tussen 0 en 1 inclusief.
Tensor op basis van vorm
Tensors met een specifieke vorm kunnen worden aangemaakt met de "like"-varianten van creatiefuncties. Deze maken tensors aan met dezelfde vorm als een bestaande tensor:
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}")
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 5Tensorcreatiefuncties
Veeg om het menu te tonen
Net als bij NumPy biedt PyTorch ook verschillende ingebouwde functies om direct tensors te creëren. Deze functies zijn handig voor het initialiseren van gegevensplaats-houders en het genereren van gestructureerde of aangepaste tensors.
Tensor van nullen en enen
Gebruik torch.zeros() om een tensor gevuld met nullen te maken. De argumenten geven de grootte van elke dimensie aan, waarbij het aantal argumenten overeenkomt met het aantal dimensies:
123import torch tensor = torch.zeros(4, 2) print(tensor)
Dit is nuttig voor het initialiseren van biases of tijdelijke aanduidingen waarbij de beginwaarden op nul worden gezet. Gebruik op vergelijkbare wijze torch.ones() om een tensor gevuld met enen te maken:
123import torch tensor = torch.ones(3, 3) print(tensor)
Dit kan bijzonder nuttig zijn voor het initialiseren van gewichten, bias-termen, of het uitvoeren van bewerkingen waarbij een tensor van enen dient als neutraal element of specifieke vermenigvuldiger in wiskundige berekeningen.
Arange en Linspace
Net als numpy.arange() genereert torch.arange() een reeks waarden met een opgegeven stapgrootte:
123import torch tensor = torch.arange(0, 10, step=2) print(tensor)
Er is succesvol een tensor aangemaakt met waarden van 0 tot 10 exclusief met een stapgrootte van 2. Om gelijkmatig verdeelde waarden te creëren tussen een begin- en eindpunt, gebruik torch.linspace():
123import torch tensor = torch.linspace(0, 1, steps=5) print(tensor)
Hiermee wordt een tensor gegenereerd met 5 gelijkmatig verdeelde waarden tussen 0 en 1 inclusief.
Tensor op basis van vorm
Tensors met een specifieke vorm kunnen worden aangemaakt met de "like"-varianten van creatiefuncties. Deze maken tensors aan met dezelfde vorm als een bestaande tensor:
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}")
Bedankt voor je feedback!
