Notice: This page requires JavaScript to function properly.
Please enable JavaScript in your browser settings or update your browser.
Lære Funktioner til Oprettelse af Tensorer | Pytorch Introduktion
Pytorch Essentials

bookFunktioner til Oprettelse af Tensorer

På samme måde som NumPy tilbyder PyTorch også flere indbyggede funktioner til direkte oprettelse af tensors. Disse funktioner hjælper med at initialisere dataplads og generere strukturerede eller brugerdefinerede tensors.

Tensor af nuller og ettaller

For at oprette en tensor fyldt med nuller, anvendes torch.zeros(). Argumenterne angiver størrelsen på hver dimension, hvor antallet af argumenter svarer til antallet af dimensioner:

123
import torch tensor = torch.zeros(4, 2) print(tensor)
copy

Dette er nyttigt til initialisering af bias eller pladsholdere, hvor startværdierne sættes til nul. Tilsvarende kan torch.ones() bruges til at oprette en tensor fyldt med ener:

123
import torch tensor = torch.ones(3, 3) print(tensor)
copy

Dette kan især være nyttigt til initialisering af vægte, bias-termer eller til operationer, hvor en tensor af ener fungerer som et neutralt element eller en specifik multiplikator i matematiske beregninger.

Arange og Linspace

På samme måde som numpy.arange(), genererer torch.arange() en sekvens af værdier med en specificeret skridtlængde:

123
import torch tensor = torch.arange(0, 10, step=2) print(tensor)
copy

Vi har oprettet en tensor med værdier fra 0 til 10 eksklusiv med skridtlængden sat til 2. For at oprette jævnt fordelte værdier mellem et start- og slutpunkt, anvendes torch.linspace():

123
import torch tensor = torch.linspace(0, 1, steps=5) print(tensor)
copy

Dette genererer en tensor med 5 lige store intervaller mellem 0 og 1 inklusive.

Tensor fra form

Du kan oprette tensorer med en specifik form ved at bruge "like"-varianterne af oprettelsesfunktionerne. Disse opretter tensorer med samme form som en eksisterende tensor:

123456
import 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}")
copy
question mark

Hvad vil output være for følgende PyTorch-kodeeksempel?

Select the correct answer

Var alt klart?

Hvordan kan vi forbedre det?

Tak for dine kommentarer!

Sektion 1. Kapitel 3

Spørg AI

expand

Spørg AI

ChatGPT

Spørg om hvad som helst eller prøv et af de foreslåede spørgsmål for at starte vores chat

Awesome!

Completion rate improved to 5

bookFunktioner til Oprettelse af Tensorer

Stryg for at vise menuen

På samme måde som NumPy tilbyder PyTorch også flere indbyggede funktioner til direkte oprettelse af tensors. Disse funktioner hjælper med at initialisere dataplads og generere strukturerede eller brugerdefinerede tensors.

Tensor af nuller og ettaller

For at oprette en tensor fyldt med nuller, anvendes torch.zeros(). Argumenterne angiver størrelsen på hver dimension, hvor antallet af argumenter svarer til antallet af dimensioner:

123
import torch tensor = torch.zeros(4, 2) print(tensor)
copy

Dette er nyttigt til initialisering af bias eller pladsholdere, hvor startværdierne sættes til nul. Tilsvarende kan torch.ones() bruges til at oprette en tensor fyldt med ener:

123
import torch tensor = torch.ones(3, 3) print(tensor)
copy

Dette kan især være nyttigt til initialisering af vægte, bias-termer eller til operationer, hvor en tensor af ener fungerer som et neutralt element eller en specifik multiplikator i matematiske beregninger.

Arange og Linspace

På samme måde som numpy.arange(), genererer torch.arange() en sekvens af værdier med en specificeret skridtlængde:

123
import torch tensor = torch.arange(0, 10, step=2) print(tensor)
copy

Vi har oprettet en tensor med værdier fra 0 til 10 eksklusiv med skridtlængden sat til 2. For at oprette jævnt fordelte værdier mellem et start- og slutpunkt, anvendes torch.linspace():

123
import torch tensor = torch.linspace(0, 1, steps=5) print(tensor)
copy

Dette genererer en tensor med 5 lige store intervaller mellem 0 og 1 inklusive.

Tensor fra form

Du kan oprette tensorer med en specifik form ved at bruge "like"-varianterne af oprettelsesfunktionerne. Disse opretter tensorer med samme form som en eksisterende tensor:

123456
import 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}")
copy
question mark

Hvad vil output være for følgende PyTorch-kodeeksempel?

Select the correct answer

Var alt klart?

Hvordan kan vi forbedre det?

Tak for dine kommentarer!

Sektion 1. Kapitel 3
some-alt