Funktioner 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:
123import torch tensor = torch.zeros(4, 2) print(tensor)
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:
123import torch tensor = torch.ones(3, 3) print(tensor)
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:
123import torch tensor = torch.arange(0, 10, step=2) print(tensor)
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()
:
123import torch tensor = torch.linspace(0, 1, steps=5) print(tensor)
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:
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}")
Tak for dine kommentarer!
Spørg AI
Spørg AI
Spørg om hvad som helst eller prøv et af de foreslåede spørgsmål for at starte vores chat
Awesome!
Completion rate improved to 5
Funktioner 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:
123import torch tensor = torch.zeros(4, 2) print(tensor)
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:
123import torch tensor = torch.ones(3, 3) print(tensor)
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:
123import torch tensor = torch.arange(0, 10, step=2) print(tensor)
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()
:
123import torch tensor = torch.linspace(0, 1, steps=5) print(tensor)
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:
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}")
Tak for dine kommentarer!