Skapa Slumpmässiga Tensorer
Slumpmässiga tensorer är användbara för att initiera data eller vikter i maskininlärningsmodeller (det vanligaste användningsområdet).
Slumpmässiga uniforma tensorer
Funktionen torch.rand() används för att skapa en tensor med slumpmässiga värden dragna från en uniform fördelning mellan 0 och 1. På liknande sätt som funktionerna zeros() och ones(), anger argumenten formen på tensorn.
1234import torch # Create a 6x8 tensor with random values between 0 and 1 random_tensor = torch.rand(6, 8) print(random_tensor)
Slumpmässiga normala tensorer
Funktionen torch.randn() används för att skapa en tensor med slumpmässiga värden hämtade från en standardnormalfördelning (medelvärde = 0, standardavvikelse = 1).
1234import torch # Create a 2x2 tensor with random values from a normal distribution normal_tensor = torch.randn(2, 2) print(normal_tensor)
Slumpmässiga heltalstensorer
Funktionen torch.randint() används för att skapa en tensor med slumpmässiga heltalsvärden hämtade från en diskret likformig fördelning.
De två första parametrarna för denna funktion (low, som är 0 som standard, och high) anger värdeintervallet (från low till high exklusive). Nästa parameter anger formen på tensorn som en 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)
Ställa in slumpmässigt frö
För att säkerställa reproducerbarhet kan du ställa in ett manuellt frö. Detta gör att de slumpmässiga talen som genereras blir desamma varje gång du kör koden.
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)
Praktiska användningsområden för slumpmässiga tensorer
- Viktinitialisering: slumpmässiga tensorer används ofta för att initiera vikter i neurala nätverk;
- Simulering av data: generera slumpmässiga dataset för testning och experimentering;
- Slumpmässig sampling: använd slumpmässiga tensorer för uppgifter som dropout och tillägg av brus i modeller.
Tack för dina kommentarer!
Fråga AI
Fråga AI
Fråga vad du vill eller prova någon av de föreslagna frågorna för att starta vårt samtal
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 5Skapa Slumpmässiga Tensorer
Svep för att visa menyn
Slumpmässiga tensorer är användbara för att initiera data eller vikter i maskininlärningsmodeller (det vanligaste användningsområdet).
Slumpmässiga uniforma tensorer
Funktionen torch.rand() används för att skapa en tensor med slumpmässiga värden dragna från en uniform fördelning mellan 0 och 1. På liknande sätt som funktionerna zeros() och ones(), anger argumenten formen på tensorn.
1234import torch # Create a 6x8 tensor with random values between 0 and 1 random_tensor = torch.rand(6, 8) print(random_tensor)
Slumpmässiga normala tensorer
Funktionen torch.randn() används för att skapa en tensor med slumpmässiga värden hämtade från en standardnormalfördelning (medelvärde = 0, standardavvikelse = 1).
1234import torch # Create a 2x2 tensor with random values from a normal distribution normal_tensor = torch.randn(2, 2) print(normal_tensor)
Slumpmässiga heltalstensorer
Funktionen torch.randint() används för att skapa en tensor med slumpmässiga heltalsvärden hämtade från en diskret likformig fördelning.
De två första parametrarna för denna funktion (low, som är 0 som standard, och high) anger värdeintervallet (från low till high exklusive). Nästa parameter anger formen på tensorn som en 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)
Ställa in slumpmässigt frö
För att säkerställa reproducerbarhet kan du ställa in ett manuellt frö. Detta gör att de slumpmässiga talen som genereras blir desamma varje gång du kör koden.
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)
Praktiska användningsområden för slumpmässiga tensorer
- Viktinitialisering: slumpmässiga tensorer används ofta för att initiera vikter i neurala nätverk;
- Simulering av data: generera slumpmässiga dataset för testning och experimentering;
- Slumpmässig sampling: använd slumpmässiga tensorer för uppgifter som dropout och tillägg av brus i modeller.
Tack för dina kommentarer!
