Willekeurige Tensors Aanmaken
Willekeurige tensors zijn nuttig voor het initialiseren van data of gewichten in machine learning-modellen (de meest voorkomende toepassing).
Willekeurige uniforme tensors
De functie torch.rand() wordt gebruikt om een tensor te maken met willekeurige waarden afkomstig uit een uniforme verdeling tussen 0 en 1. Net als bij de functies zeros() en ones(), geven de argumenten de vorm van de tensor aan.
1234import torch # Create a 6x8 tensor with random values between 0 and 1 random_tensor = torch.rand(6, 8) print(random_tensor)
Willekeurige Normale Tensoren
De functie torch.randn() wordt gebruikt om een tensor te maken met willekeurige waarden afkomstig uit een standaard normale verdeling (gemiddelde = 0, standaardafwijking = 1).
1234import torch # Create a 2x2 tensor with random values from a normal distribution normal_tensor = torch.randn(2, 2) print(normal_tensor)
Willekeurige Gehele Getallen Tensoren
De functie torch.randint() wordt gebruikt om een tensor te maken met willekeurige gehele getallen afkomstig uit een discrete uniforme verdeling.
De eerste twee parameters van deze functie (low, standaard gelijk aan 0, en high) geven het bereik van de waarden aan (van low tot high exclusief). De volgende parameter specificeert de vorm van de tensor als een tuple.
1234import torch # Create a 4x3 tensor with random integers between 0 and 10 integer_tensor = torch.randint(0, 10, (4, 3)) print(integer_tensor)
Willekeurige Zaadwaarde Instellen
Voor reproduceerbaarheid kan een handmatig zaad worden ingesteld. Dit zorgt ervoor dat de willekeurige getallen die worden gegenereerd elke keer dat de code wordt uitgevoerd hetzelfde zijn.
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)
U kunt de seed instellen op een willekeurig geheel getal, waarbij de daadwerkelijke waarde van het getal voor de meeste doeleinden niet uitmaakt — het bepaalt simpelweg de volgorde van willekeurige getallen die worden gegenereerd. Het belangrijkste punt is dat het gebruik van dezelfde seed altijd dezelfde reeks willekeurige getallen oplevert.
Praktische Toepassingen van Willekeurige Tensors
- Gewichtinitialisatie: willekeurige tensors worden vaak gebruikt om gewichten in neurale netwerken te initialiseren;
- Simuleren van data: genereren van willekeurige datasets voor testen en experimenteren;
- Willekeurige sampling: gebruik willekeurige tensors voor taken zoals dropout en het toevoegen van ruis in modellen.
Bedankt voor je feedback!
Vraag AI
Vraag AI
Vraag wat u wilt of probeer een van de voorgestelde vragen om onze chat te starten.
Geweldig!
Completion tarief verbeterd naar 5Willekeurige Tensors Aanmaken
Veeg om het menu te tonen
Willekeurige tensors zijn nuttig voor het initialiseren van data of gewichten in machine learning-modellen (de meest voorkomende toepassing).
Willekeurige uniforme tensors
De functie torch.rand() wordt gebruikt om een tensor te maken met willekeurige waarden afkomstig uit een uniforme verdeling tussen 0 en 1. Net als bij de functies zeros() en ones(), geven de argumenten de vorm van de tensor aan.
1234import torch # Create a 6x8 tensor with random values between 0 and 1 random_tensor = torch.rand(6, 8) print(random_tensor)
Willekeurige Normale Tensoren
De functie torch.randn() wordt gebruikt om een tensor te maken met willekeurige waarden afkomstig uit een standaard normale verdeling (gemiddelde = 0, standaardafwijking = 1).
1234import torch # Create a 2x2 tensor with random values from a normal distribution normal_tensor = torch.randn(2, 2) print(normal_tensor)
Willekeurige Gehele Getallen Tensoren
De functie torch.randint() wordt gebruikt om een tensor te maken met willekeurige gehele getallen afkomstig uit een discrete uniforme verdeling.
De eerste twee parameters van deze functie (low, standaard gelijk aan 0, en high) geven het bereik van de waarden aan (van low tot high exclusief). De volgende parameter specificeert de vorm van de tensor als een tuple.
1234import torch # Create a 4x3 tensor with random integers between 0 and 10 integer_tensor = torch.randint(0, 10, (4, 3)) print(integer_tensor)
Willekeurige Zaadwaarde Instellen
Voor reproduceerbaarheid kan een handmatig zaad worden ingesteld. Dit zorgt ervoor dat de willekeurige getallen die worden gegenereerd elke keer dat de code wordt uitgevoerd hetzelfde zijn.
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)
U kunt de seed instellen op een willekeurig geheel getal, waarbij de daadwerkelijke waarde van het getal voor de meeste doeleinden niet uitmaakt — het bepaalt simpelweg de volgorde van willekeurige getallen die worden gegenereerd. Het belangrijkste punt is dat het gebruik van dezelfde seed altijd dezelfde reeks willekeurige getallen oplevert.
Praktische Toepassingen van Willekeurige Tensors
- Gewichtinitialisatie: willekeurige tensors worden vaak gebruikt om gewichten in neurale netwerken te initialiseren;
- Simuleren van data: genereren van willekeurige datasets voor testen en experimenteren;
- Willekeurige sampling: gebruik willekeurige tensors voor taken zoals dropout en het toevoegen van ruis in modellen.
Bedankt voor je feedback!
