Impara Funzioni di Creazione dei Tensori

Analogamente a NumPy, anche PyTorch offre diverse funzioni integrate per creare direttamente tensori. Queste funzioni sono utili per inizializzare segnaposto di dati e generare tensori strutturati o personalizzati.

Tensore di zeri e di uni

Per creare un tensore riempito di zeri, utilizzare torch.zeros(). Gli argomenti rappresentano la dimensione di ciascuna dimensione, con il numero di argomenti corrispondente al numero di dimensioni:


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

Utile per inizializzare bias o segnaposto dove i valori iniziali sono impostati a zero. Analogamente, utilizzare torch.ones() per creare un tensore riempito di uni:


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

Particolarmente utile per inizializzare pesi, termini di bias o eseguire operazioni in cui un tensore di uni funge da elemento neutro o da moltiplicatore specifico nei calcoli matematici.

Arange e Linspace

Analogamente a numpy.arange(), torch.arange() genera una sequenza di valori con una dimensione del passo specificata:


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

Abbiamo creato con successo un tensore con valori da 0 a 10 escluso con una dimensione del passo pari a 2. Per creare valori equidistanti tra un punto iniziale e uno finale, utilizzare torch.linspace():


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

Questo genera un tensore con 5 valori equidistanti tra 0 e 1 inclusi.

Tensore da Forma

È possibile creare tensori con una forma specifica utilizzando le varianti "like" delle funzioni di creazione. Queste creano tensori con la stessa forma di un tensore esistente:


              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}")

Tutto è chiaro?

Grazie per i tuoi commenti!

Sezione 1. Capitolo 3

Chieda ad AI

Chieda pure quello che desidera o provi una delle domande suggerite per iniziare la nostra conversazione

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

Scorri per mostrare il menu