Summary  
This chapter explains how to initialize tensors in PyTorch using built-in functions—such as zeros, ones, arange, linspace, and their “_like” variants—to create tensors with specific values, ranges, or shapes.  

General domain of usage  
Machine learning model initialization

Net als bij **NumPy** biedt PyTorch ook verschillende ingebouwde functies om **tensors direct te creëren**. Deze functies zijn nuttig voor het initialiseren van gegevensplaats-houders 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**:

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:

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 als specifieke vermenigvuldiger in wiskundige berekeningen.

## Arange en Linspace

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

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`. Om **gelijkmatig verdeelde** waarden te creëren tussen een begin- en eindpunt, gebruik `torch.linspace()`:

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

Tensors met een specifieke vorm kunnen worden aangemaakt met de **"like" varianten** van creatiefuncties. Deze maken tensors aan met **dezelfde vorm** als een bestaande tensor:

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}")

Wat zal de uitvoer zijn van de volgende PyTorch codefragment?

Maak de overstap van hoog-niveau bibliotheken naar de flexibiliteit van PyTorch. Beheers de bouwstenen van deep learning door te werken met Tensors, de kern datastructuur van PyTorch. Verken automatische differentiatie met gradiënten, implementeer backpropagation en bouw volledige neurale netwerken vanaf nul. Leer omgaan met realistische datasets en beheer de volledige trainingscyclus – van gewichtsinitialisatie tot modelevaluatie.

Tensorcreatiefuncties

Tensor van nullen en enen

Arange en Linspace

Tensor op basis van vorm