Summary
Shows how to generate random tensors with uniform, normal, or integer distributions of given shapes and how to set a random seed for reproducibility.

General domain of usage
Machine learning

Tilfældige tensorer er nyttige til initialisering af data eller **vægte i maskinlæringsmodeller** (det mest almindelige anvendelsestilfælde).

## Tilfældige uniforme tensorer
Funktionen `torch.rand()` bruges til at oprette en tensor med tilfældige værdier trukket fra en **uniform fordeling** mellem `0` og `1`. Ligesom med funktionerne `zeros()` og `ones()`, angiver argumenterne **formen** af tensoren.

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

## Tilfældige normale tensorer
Funktionen `torch.randn()` bruges til at oprette en tensor med tilfældige værdier trukket fra en **standard normalfordeling** (middelværdi = 0, standardafvigelse = 1).

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

## Tilfældige heltals-tensorer
Funktionen `torch.randint()` bruges til at oprette en tensor med **tilfældige heltalsværdier** trukket fra en **diskret uniform fordeling**.

De første to parametre for denne funktion (`low`, som som standard er `0`, og `high`) angiver intervallet af værdier (fra `low` til `high` **eksklusiv**). Den næste parameter angiver **formen** på tensoren som et **tuple**.


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

## Indstilling af tilfældig seed
For at sikre **reproducerbarhed** kan du angive en manuel seed. Dette fastlåser de tilfældige tal, der genereres, så de er de samme **hver gang koden køres**.

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)

Du kan sætte seed til et vilkårligt **heltal**, og selve værdien af heltallet er uden betydning i de fleste tilfælde — det bestemmer blot **rækkefølgen af tilfældige tal** der genereres. Det vigtigste er, at brug af samme seed altid vil producere **samme sekvens** af tilfældige tal.

Bemærk

## Praktiske anvendelser af tilfældige tensorer

- **Vægtinitialisering**: tilfældige tensorer bruges ofte til at initialisere vægte i neurale netværk;
- **Simulering af data**: generer tilfældige datasæt til test og eksperimenter;
- **Tilfældig sampling**: brug tilfældige tensorer til opgaver som dropout og støjtilføjelse i modeller.

Hvilken af følgende udsagn om tilfældige tensorer i PyTorch er korrekt?

Overgang fra højniveau-biblioteker til fleksibiliteten i PyTorch. Behersk grundelementerne i deep learning ved at arbejde med Tensors, den centrale datastruktur i PyTorch. Udforsk automatisk differentiering med gradienter, implementer backpropagation, og opbyg komplette neurale netværk fra bunden. Lær at håndtere virkelige datasæt og administrere hele træningscyklussen – fra vægtinitialisering til modelevaluering.

Oprettelse af Tilfældige Tensorer

Tilfældige uniforme tensorer

Tilfældige normale tensorer

Tilfældige heltals-tensorer

Indstilling af tilfældig seed

Praktiske anvendelser af tilfældige tensorer