Summary  
This chapter introduces how to create random tensors from uniform, normal, and integer distributions and how to set a random seed for reproducibility.  

General domain of usage  
Machine learning

Tensores aleatórios são úteis para inicializar dados ou **pesos em modelos de aprendizado de máquina** (o caso de uso mais comum).

## Tensores Aleatórios Uniformes
A função `torch.rand()` é utilizada para criar um tensor com valores aleatórios extraídos de uma **distribuição uniforme** entre `0` e `1`. De forma semelhante às funções `zeros()` e `ones()`, os argumentos especificam o **formato** do tensor.

import torch
# Create a 6x8 tensor with random values between 0 and 1
random_tensor = torch.rand(6, 8)
print(random_tensor)

## Tensores Aleatórios Normais
A função `torch.randn()` é utilizada para criar um tensor com valores aleatórios provenientes de uma **distribuição normal padrão** (média = 0, desvio padrão = 1).

import torch
# Create a 2x2 tensor with random values from a normal distribution
normal_tensor = torch.randn(2, 2)
print(normal_tensor)

## Tensores Aleatórios de Inteiros
A função `torch.randint()` é utilizada para criar um tensor com **valores inteiros aleatórios** provenientes de uma **distribuição uniforme discreta**.

Os dois primeiros parâmetros desta função (`low`, que é igual a `0` por padrão, e `high`) especificam o intervalo de valores (de `low` até `high`, **exclusive**). O próximo parâmetro especifica o **formato** do tensor como uma **tupla**.


import torch
# Create a 4x3 tensor with random integers between 0 and 10
integer_tensor = torch.randint(0, 10, (4, 3))
print(integer_tensor)

## Definição de Semente Aleatória
Para garantir a **reprodutibilidade**, é possível definir uma semente manualmente. Isso fixa os números aleatórios gerados, tornando-os iguais **toda vez que o código é executado**.

import 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)

## Casos de Uso Práticos para Tensores Aleatórios

- **Inicialização de pesos**: tensores aleatórios são frequentemente utilizados para inicializar pesos em redes neurais;
- **Simulação de dados**: geração de conjuntos de dados aleatórios para testes e experimentação;
- **Amostragem aleatória**: uso de tensores aleatórios para tarefas como dropout e adição de ruído em modelos.

Qual das seguintes afirmações sobre tensores aleatórios no PyTorch está correta?

Aprenda os conceitos fundamentais e avançados necessários para trabalhar com PyTorch de forma eficiente. Adquira uma compreensão sólida sobre tensores, incluindo criação, operações e remodelagem. Explore os conceitos essenciais de gradientes, retropropagação e regressão linear antes de avançar para o manuseio de conjuntos de dados. Domine as habilidades necessárias para construir, treinar e avaliar redes neurais.

Explore os fundamentos do PyTorch, com foco em tensores — a principal estrutura de dados utilizada para cálculos. Serão abordados criação de tensores, inicialização aleatória, operações matemáticas e manipulação de formas.

Explore conceitos fundamentais para o treinamento de modelos no PyTorch, incluindo o cálculo de gradientes e a realização de retropropagação em múltiplas etapas. Domine a regressão linear como um modelo básico de aprendizado de máquina e conheça métodos para lidar com conjuntos de dados de forma eficiente.

Descubra como construir, treinar e avaliar redes neurais utilizando PyTorch. Você aprenderá a definir uma rede neural feedforward simples, otimizar seus parâmetros durante o treinamento e avaliar seu desempenho.

Criando Tensores Aleatórios

Tensores Aleatórios Uniformes

Tensores Aleatórios Normais

Tensores Aleatórios de Inteiros

Definição de Semente Aleatória

Casos de Uso Práticos para Tensores Aleatórios