Erstellung Zufälliger Tensoren
Zufällige Tensoren sind nützlich zur Initialisierung von Daten oder Gewichten in Machine-Learning-Modellen (der häufigste Anwendungsfall).
Zufällige Tensoren mit Gleichverteilung
Die Funktion torch.rand() wird verwendet, um einen Tensor mit Zufallswerten zu erzeugen, die aus einer gleichverteilten Verteilung zwischen 0 und 1 stammen. 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 Ganzzahlwerten aus einer diskreten Gleichverteilung zu erstellen.
Die ersten beiden Parameter dieser Funktion (low, standardmäßig 0, und high) geben den Wertebereich an (von low bis high exklusiv). Der nächste Parameter legt die Form des Tensors als Tupel fest.
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 Reproduzierbarkeit kann ein manueller Seed gesetzt werden. Dadurch werden die erzeugten Zufallszahlen festgelegt, sodass sie bei jedem Ausführen des Codes gleich bleiben.
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)
Sie können den Seed auf eine beliebige ganze Zahl setzen, wobei der tatsächliche Wert der Zahl für die meisten Zwecke keine Rolle spielt — er bestimmt lediglich die Reihenfolge der generierten Zufallszahlen. Der entscheidende Punkt ist, dass bei Verwendung desselben Seeds immer die gleiche Sequenz von Zufallszahlen erzeugt wird.
Praktische Anwendungsfälle für Zufallstensoren
- Gewichtsinitalisierung: Zufallstensoren werden häufig zur Initialisierung von Gewichten in neuronalen Netzen verwendet;
- Datensimulation: Generierung 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
Großartig!
Completion Rate verbessert auf 5Erstellung Zufälliger Tensoren
Swipe um das Menü anzuzeigen
Zufällige Tensoren sind nützlich zur Initialisierung von Daten oder Gewichten in Machine-Learning-Modellen (der häufigste Anwendungsfall).
Zufällige Tensoren mit Gleichverteilung
Die Funktion torch.rand() wird verwendet, um einen Tensor mit Zufallswerten zu erzeugen, die aus einer gleichverteilten Verteilung zwischen 0 und 1 stammen. 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 Ganzzahlwerten aus einer diskreten Gleichverteilung zu erstellen.
Die ersten beiden Parameter dieser Funktion (low, standardmäßig 0, und high) geben den Wertebereich an (von low bis high exklusiv). Der nächste Parameter legt die Form des Tensors als Tupel fest.
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 Reproduzierbarkeit kann ein manueller Seed gesetzt werden. Dadurch werden die erzeugten Zufallszahlen festgelegt, sodass sie bei jedem Ausführen des Codes gleich bleiben.
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)
Sie können den Seed auf eine beliebige ganze Zahl setzen, wobei der tatsächliche Wert der Zahl für die meisten Zwecke keine Rolle spielt — er bestimmt lediglich die Reihenfolge der generierten Zufallszahlen. Der entscheidende Punkt ist, dass bei Verwendung desselben Seeds immer die gleiche Sequenz von Zufallszahlen erzeugt wird.
Praktische Anwendungsfälle für Zufallstensoren
- Gewichtsinitalisierung: Zufallstensoren werden häufig zur Initialisierung von Gewichten in neuronalen Netzen verwendet;
- Datensimulation: Generierung 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!
