Lernen Funktionen Zur Tensorerstellung

Ähnlich wie NumPy bietet auch PyTorch mehrere integrierte Funktionen, um Tensoren direkt zu erstellen. Diese Funktionen unterstützen die Initialisierung von Datenplatzhaltern und die Erzeugung strukturierter oder benutzerdefinierter Tensoren.

Tensor aus Nullen und Einsen

Um einen Tensor zu erzeugen, der mit Nullen gefüllt ist, wird torch.zeros() verwendet. Die Argumente geben die Größe jeder Dimension an, wobei die Anzahl der Argumente der Anzahl der Dimensionen entspricht:


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

Dies ist nützlich für die Initialisierung von Biases oder Platzhaltern, bei denen die Anfangswerte auf Null gesetzt werden. Ebenso kann torch.ones() verwendet werden, 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 die Initialisierung von Gewichten, Bias-Terms oder für Operationen, bei denen ein Tensor aus 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 Schrittweite:


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

Es wurde erfolgreich ein Tensor mit Werten von 0 bis 10 exklusiv mit einer Schrittweite von 2 erstellt. Um gleichmäßig verteilte Werte zwischen einem Start- und Endpunkt zu erzeugen, wird torch.linspace() verwendet:


              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

Tensors mit einer bestimmten Form können durch die „like“-Varianten der Erstellungsfunktionen erzeugt werden. Diese erzeugen Tensors mit derselben Form wie ein bestehender 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

Suggested prompts:

Can you explain the difference between torch.arange() and torch.linspace()?

What are some common use cases for torch.zeros_like() and torch.ones_like()?

How do I specify the data type when creating tensors with these functions?

Awesome!

Completion rate improved to 5

Swipe um das Menü anzuzeigen