Erstellen von Zufälligen Tensoren
Zufällige Tensoren sind nützlich zur Initialisierung von Daten oder Gewichten in Modellen des maschinellen Lernens (der häufigste Anwendungsfall).
Zufällig gleichverteilte Tensoren
Die Funktion torch.rand() wird verwendet, um einen Tensor mit Zufallswerten aus einer gleichverteilten Verteilung zwischen 0 und 1 zu erzeugen. Ähnlich wie bei den Funktionen zeros() und ones() geben die Argumente die Form des Tensors an.
1234import torch # Create a 6x8 tensor with random values between 0 and 1 random_tensor = torch.rand(6, 8) print(random_tensor)
Zufällige Normalverteilte Tensoren
Die Funktion torch.randn() wird verwendet, um einen Tensor mit Zufallswerten aus einer Standardnormalverteilung (Mittelwert = 0, Standardabweichung = 1) zu erstellen.
1234import torch # Create a 2x2 tensor with random values from a normal distribution normal_tensor = torch.randn(2, 2) print(normal_tensor)
Zufällige Ganzzahl-Tensoren
Die Funktion torch.randint() wird verwendet, um einen Tensor mit zufälligen Ganzzahlen aus einer diskreten Gleichverteilung zu erstellen.
Die ersten beiden Parameter dieser Funktion (low, standardmäßig 0, und high) legen den Wertebereich fest (von low bis high, exklusiv). Der nächste Parameter gibt die Form des Tensors als Tupel an.
1234import torch # Create a 4x3 tensor with random integers between 0 and 10 integer_tensor = torch.randint(0, 10, (4, 3)) print(integer_tensor)
Zufalls-Seed setzen
Zur Gewährleistung der Reproduzierbarkeit kann ein manueller Seed gesetzt werden. Dadurch werden die generierten Zufallszahlen festgelegt, sodass sie bei jedem Ausführen des Codes identisch sind.
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)
Praktische Anwendungsfälle für Zufallstensoren
- Gewichtsinitalisierung: Zufallstensoren werden häufig zur Initialisierung von Gewichten in neuronalen Netzwerken verwendet;
- Datensimulation: Erzeugung zufälliger Datensätze für Tests und Experimente;
- Zufallsstichproben: Verwendung von Zufallstensoren für Aufgaben wie Dropout und das Hinzufügen von Rauschen in Modellen.
Danke für Ihr Feedback!
Fragen Sie AI
Fragen Sie AI
Fragen Sie alles oder probieren Sie eine der vorgeschlagenen Fragen, um unser Gespräch zu beginnen
Awesome!
Completion rate improved to 5Erstellen von Zufälligen Tensoren
Swipe um das Menü anzuzeigen
Zufällige Tensoren sind nützlich zur Initialisierung von Daten oder Gewichten in Modellen des maschinellen Lernens (der häufigste Anwendungsfall).
Zufällig gleichverteilte Tensoren
Die Funktion torch.rand() wird verwendet, um einen Tensor mit Zufallswerten aus einer gleichverteilten Verteilung zwischen 0 und 1 zu erzeugen. Ähnlich wie bei den Funktionen zeros() und ones() geben die Argumente die Form des Tensors an.
1234import torch # Create a 6x8 tensor with random values between 0 and 1 random_tensor = torch.rand(6, 8) print(random_tensor)
Zufällige Normalverteilte Tensoren
Die Funktion torch.randn() wird verwendet, um einen Tensor mit Zufallswerten aus einer Standardnormalverteilung (Mittelwert = 0, Standardabweichung = 1) zu erstellen.
1234import torch # Create a 2x2 tensor with random values from a normal distribution normal_tensor = torch.randn(2, 2) print(normal_tensor)
Zufällige Ganzzahl-Tensoren
Die Funktion torch.randint() wird verwendet, um einen Tensor mit zufälligen Ganzzahlen aus einer diskreten Gleichverteilung zu erstellen.
Die ersten beiden Parameter dieser Funktion (low, standardmäßig 0, und high) legen den Wertebereich fest (von low bis high, exklusiv). Der nächste Parameter gibt die Form des Tensors als Tupel an.
1234import torch # Create a 4x3 tensor with random integers between 0 and 10 integer_tensor = torch.randint(0, 10, (4, 3)) print(integer_tensor)
Zufalls-Seed setzen
Zur Gewährleistung der Reproduzierbarkeit kann ein manueller Seed gesetzt werden. Dadurch werden die generierten Zufallszahlen festgelegt, sodass sie bei jedem Ausführen des Codes identisch sind.
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)
Praktische Anwendungsfälle für Zufallstensoren
- Gewichtsinitalisierung: Zufallstensoren werden häufig zur Initialisierung von Gewichten in neuronalen Netzwerken verwendet;
- Datensimulation: Erzeugung zufälliger Datensätze für Tests und Experimente;
- Zufallsstichproben: Verwendung von Zufallstensoren für Aufgaben wie Dropout und das Hinzufügen von Rauschen in Modellen.
Danke für Ihr Feedback!
