Funktioner för Skapande av Tensorer
På liknande sätt som NumPy erbjuder även PyTorch flera inbyggda funktioner för att skapa tensorer direkt. Dessa funktioner underlättar initiering av dataplatshållare och generering av strukturerade eller anpassade tensorer.
Tensor av nollor och ettor
För att skapa en tensor fylld med nollor, använd torch.zeros(). Argumenten anger storleken på varje dimension, där antalet argument motsvarar antalet dimensioner:
123import torch tensor = torch.zeros(4, 2) print(tensor)
Detta är användbart för initiering av bias eller platshållare där initialvärdena sätts till noll. På liknande sätt används torch.ones() för att skapa en tensor fylld med ettor:
123import torch tensor = torch.ones(3, 3) print(tensor)
Detta kan vara särskilt användbart för initiering av vikter, bias-termer eller vid operationer där en tensor med ettor fungerar som ett neutralt element eller en specifik multiplikator i matematiska beräkningar.
Arange och Linspace
På liknande sätt som numpy.arange(), genererar torch.arange() en sekvens av värden med en angiven stegstorlek:
123import torch tensor = torch.arange(0, 10, step=2) print(tensor)
Vi har framgångsrikt skapat en tensor med värden från 0 till 10 exklusive med stegstorleken 2. För att skapa jämnt fördelade värden mellan en start- och slutpunkt, använd torch.linspace():
123import torch tensor = torch.linspace(0, 1, steps=5) print(tensor)
Detta genererar en tensor med 5 jämnt fördelade värden mellan 0 och 1 inklusive.
Tensor från form
Du kan skapa tensorer med en specifik form genom att använda "like"-varianterna av skapandefunktioner. Dessa skapar tensorer med samma form som en befintlig 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}")
Tack för dina kommentarer!
Fråga AI
Fråga AI
Fråga vad du vill eller prova någon av de föreslagna frågorna för att starta vårt samtal
Awesome!
Completion rate improved to 5Funktioner för Skapande av Tensorer
Svep för att visa menyn
På liknande sätt som NumPy erbjuder även PyTorch flera inbyggda funktioner för att skapa tensorer direkt. Dessa funktioner underlättar initiering av dataplatshållare och generering av strukturerade eller anpassade tensorer.
Tensor av nollor och ettor
För att skapa en tensor fylld med nollor, använd torch.zeros(). Argumenten anger storleken på varje dimension, där antalet argument motsvarar antalet dimensioner:
123import torch tensor = torch.zeros(4, 2) print(tensor)
Detta är användbart för initiering av bias eller platshållare där initialvärdena sätts till noll. På liknande sätt används torch.ones() för att skapa en tensor fylld med ettor:
123import torch tensor = torch.ones(3, 3) print(tensor)
Detta kan vara särskilt användbart för initiering av vikter, bias-termer eller vid operationer där en tensor med ettor fungerar som ett neutralt element eller en specifik multiplikator i matematiska beräkningar.
Arange och Linspace
På liknande sätt som numpy.arange(), genererar torch.arange() en sekvens av värden med en angiven stegstorlek:
123import torch tensor = torch.arange(0, 10, step=2) print(tensor)
Vi har framgångsrikt skapat en tensor med värden från 0 till 10 exklusive med stegstorleken 2. För att skapa jämnt fördelade värden mellan en start- och slutpunkt, använd torch.linspace():
123import torch tensor = torch.linspace(0, 1, steps=5) print(tensor)
Detta genererar en tensor med 5 jämnt fördelade värden mellan 0 och 1 inklusive.
Tensor från form
Du kan skapa tensorer med en specifik form genom att använda "like"-varianterna av skapandefunktioner. Dessa skapar tensorer med samma form som en befintlig 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}")
Tack för dina kommentarer!
