Вивчайте Створення Випадкових Тензорів

Випадкові тензори корисні для ініціалізації даних або ваг у моделях машинного навчання (найпоширеніший випадок використання).

Випадкові тензори з рівномірним розподілом

Функція torch.rand() використовується для створення тензора з випадковими значеннями, взятими з рівномірного розподілу між 0 та 1. Аналогічно до функцій zeros() та ones(), аргументи визначають форму тензора.


              1234
            
import torch
# Create a 6x8 tensor with random values between 0 and 1
random_tensor = torch.rand(6, 8)
print(random_tensor)

Випадкові тензори з нормальним розподілом

Функція torch.randn() використовується для створення тензора з випадковими значеннями, взятими зі стандартного нормального розподілу (середнє = 0, стандартне відхилення = 1).


              1234
            
import torch
# Create a 2x2 tensor with random values from a normal distribution
normal_tensor = torch.randn(2, 2)
print(normal_tensor)

Випадкові цілочисельні тензори

Функція torch.randint() використовується для створення тензора з випадковими цілими значеннями, взятими з дискретного рівномірного розподілу.

Перші два параметри цієї функції (low, який за замовчуванням дорівнює 0, та high) визначають діапазон значень (від low до high невключно). Наступний параметр визначає форму тензора у вигляді кортежу.


              1234
            
import torch
# Create a 4x3 tensor with random integers between 0 and 10
integer_tensor = torch.randint(0, 10, (4, 3))
print(integer_tensor)

Встановлення випадкового зерна

Для забезпечення відтворюваності можна встановити ручне зерно. Це фіксує згенеровані випадкові числа, щоб вони були однаковими кожного разу при запуску коду.


              123456
            
import 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)

Практичні випадки використання випадкових тензорів

Ініціалізація ваг: випадкові тензори часто використовуються для ініціалізації ваг у нейронних мережах;
Імітація даних: генерація випадкових наборів даних для тестування та експериментів;
Випадкове вибіркове включення: використання випадкових тензорів для задач, таких як dropout та додавання шуму в моделях.

Все було зрозуміло?

Дякуємо за ваш відгук!

Секція 1. Розділ 5

Запитати АІ

Запитайте про що завгодно або спробуйте одне із запропонованих запитань, щоб почати наш чат

Свайпніть щоб показати меню