Leer Tensorcreatiefuncties

Net als bij NumPy biedt PyTorch ook verschillende ingebouwde functies om direct tensors aan te maken. Deze functies zijn nuttig voor het initialiseren van gegevensplaatshouders en het genereren van gestructureerde of aangepaste tensors.

Tensor van nullen en enen

Voor het aanmaken van een tensor gevuld met nullen, gebruik torch.zeros(). De argumenten geven de grootte van elke dimensie aan, waarbij het aantal argumenten overeenkomt met het aantal dimensies:


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

Dit is nuttig voor het initialiseren van biases of tijdelijke aanduidingen waarbij de beginwaarden op nul worden gezet. Gebruik op vergelijkbare wijze torch.ones() om een tensor gevuld met enen te creëren:


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

Dit kan bijzonder nuttig zijn voor het initialiseren van gewichten, bias-termen, of het uitvoeren van bewerkingen waarbij een tensor van enen dient als neutraal element of specifieke vermenigvuldiger in wiskundige berekeningen.

Arange en Linspace

Net als numpy.arange() genereert torch.arange() een reeks waarden met een opgegeven stapgrootte:


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

Er is succesvol een tensor aangemaakt met waarden van 0 tot 10 exclusief met een stapgrootte van 2. Voor het creëren van gelijkmatig verdeelde waarden tussen een begin- en eindpunt, gebruik torch.linspace():


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

Hiermee wordt een tensor gegenereerd met 5 gelijkmatig verdeelde waarden tussen 0 en 1 inclusief.

Tensor op basis van vorm

Je kunt tensors met een specifieke vorm aanmaken door gebruik te maken van de "like"-varianten van creatiefuncties. Deze maken tensors aan met dezelfde vorm als een bestaande 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}")

Was alles duidelijk?

Bedankt voor je feedback!

Sectie 1. Hoofdstuk 3

Vraag AI

Vraag wat u wilt of probeer een van de voorgestelde vragen om onze chat te starten.

Veeg om het menu te tonen