Lernen Tensor-Erstellungsfunktionen | Einführung in PyTorch

Ähnlich wie NumPy bietet auch PyTorch mehrere eingebaute Funktionen, um Tensors direkt zu erstellen. Diese Funktionen helfen bei der Initialisierung von Datenplatzhaltern und der Erzeugung von strukturierten oder benutzerdefinierten Tensors.

Tensor von Nullen und Einsen

Um einen Tensor zu erstellen, der mit Nullen gefüllt ist, verwenden Sie torch.zeros(). Die Argumente repräsentieren die Größe jeder Dimension, wobei die Anzahl der Argumente der Anzahl der Dimensionen entspricht:


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

Dies ist nützlich zum Initialisieren von Biases oder Platzhaltern, bei denen die Anfangswerte auf Null gesetzt werden. Verwenden Sie ähnlich torch.ones(), um einen Tensor zu erstellen, der mit Einsen gefüllt ist:


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

Dies kann besonders nützlich sein für Initialisieren von Gewichten, Bias-Begriffen oder bei Operationen, bei denen ein Tensor von Einsen als neutrales Element oder spezifischer Multiplikator in mathematischen Berechnungen dient.

Arange und Linspace

Ähnlich wie numpy.arange(), erzeugt torch.arange() eine Sequenz von Werten mit einer angegebenen Schrittgröße:


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

Wir haben erfolgreich einen Tensor mit Werten von 0 bis 10 exklusiv mit der Schrittgröße 2 erstellt. Um gleichmäßig verteilte Werte zwischen einem Start- und Endpunkt zu erstellen, verwenden Sie torch.linspace():


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

Dies erzeugt einen Tensor mit 5 gleichmäßig verteilten Werten zwischen 0 und 1 einschließlich.

Tensor aus Form

Sie können Tensoren mit einer bestimmten Form erstellen, indem Sie die "like" Varianten der Erstellungsfunktionen verwenden. Diese erstellen Tensoren mit der gleichen Form wie ein vorhandener 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}")

War alles klar?

Danke für Ihr Feedback!

Abschnitt 1. Kapitel 3

Fragen Sie AI

Fragen Sie alles oder probieren Sie eine der vorgeschlagenen Fragen, um unser Gespräch zu beginnen

Swipe um das Menü anzuzeigen

Tensor von Nullen und Einsen


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


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

Arange und Linspace

Ähnlich wie numpy.arange(), erzeugt torch.arange() eine Sequenz von Werten mit einer angegebenen Schrittgröße:


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


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

Dies erzeugt einen Tensor mit 5 gleichmäßig verteilten Werten zwischen 0 und 1 einschließlich.

Tensor aus Form


              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}")

War alles klar?

Danke für Ihr Feedback!

Abschnitt 1. Kapitel 3

Tensor-Erstellungsfunktionen

Tensor von Nullen und Einsen

Arange und Linspace

Tensor aus Form

Awesome!

Tensor-Erstellungsfunktionen

Tensor von Nullen und Einsen

Arange und Linspace

Tensor aus Form