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. Подібно до функцій zeros() та ones(), аргументи визначають форму тензора.
1234import 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).
1234import 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.
1234import 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.
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)
Практичні випадки використання випадкових тензорів
- Ініціалізація ваг: випадкові тензори часто використовуються для ініціалізації ваг у нейронних мережах;
- Симуляція даних: генерація випадкових наборів даних для тестування та експериментів;
- Випадкове вибіркове відбору: використання випадкових тензорів для задач, таких як dropout і додавання шуму в моделях.
Дякуємо за ваш відгук!
Запитати АІ
Запитати АІ
Запитайте про що завгодно або спробуйте одне із запропонованих запитань, щоб почати наш чат
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 5Створення Випадкових Тензорів
Свайпніть щоб показати меню
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. Подібно до функцій zeros() та ones(), аргументи визначають форму тензора.
1234import 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).
1234import 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.
1234import 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.
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)
Практичні випадки використання випадкових тензорів
- Ініціалізація ваг: випадкові тензори часто використовуються для ініціалізації ваг у нейронних мережах;
- Симуляція даних: генерація випадкових наборів даних для тестування та експериментів;
- Випадкове вибіркове відбору: використання випадкових тензорів для задач, таких як dropout і додавання шуму в моделях.
Дякуємо за ваш відгук!
