Funções de Criação de Tensores
De forma semelhante ao NumPy, o PyTorch também oferece diversas funções integradas para criar tensores diretamente. Essas funções auxiliam na inicialização de espaços reservados de dados e na geração de tensores estruturados ou personalizados.
Tensor de Zeros e Uns
Para criar um tensor preenchido com zeros, utilize torch.zeros(). Os argumentos representam o tamanho de cada dimensão, sendo que o número de argumentos corresponde ao número de dimensões:
123import torch tensor = torch.zeros(4, 2) print(tensor)
Isso é útil para inicializar vieses ou espaços reservados onde os valores iniciais são definidos como zero. Da mesma forma, utilize torch.ones() para criar um tensor preenchido com uns:
123import torch tensor = torch.ones(3, 3) print(tensor)
Isso pode ser particularmente útil para inicializar pesos, termos de viés ou realizar operações onde um tensor de uns serve como elemento neutro ou multiplicador específico em cálculos matemáticos.
Arange e Linspace
De forma semelhante ao numpy.arange(), torch.arange() gera uma sequência de valores com um tamanho de passo especificado:
123import torch tensor = torch.arange(0, 10, step=2) print(tensor)
Um tensor foi criado com sucesso com valores de 0 até 10 exclusivo, com tamanho de passo igual a 2. Para criar valores uniformemente espaçados entre um ponto inicial e final, utilize torch.linspace():
123import torch tensor = torch.linspace(0, 1, steps=5) print(tensor)
Isso gera um tensor com 5 valores igualmente espaçados entre 0 e 1 inclusive.
Tensor a partir da Forma
É possível criar tensores com uma forma específica utilizando as variantes "like" das funções de criação. Essas funções criam tensores com a mesma forma de um tensor existente:
123456import 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}")
Obrigado pelo seu feedback!
Pergunte à IA
Pergunte à IA
Pergunte o que quiser ou experimente uma das perguntas sugeridas para iniciar nosso bate-papo
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 5Funções de Criação de Tensores
Deslize para mostrar o menu
De forma semelhante ao NumPy, o PyTorch também oferece diversas funções integradas para criar tensores diretamente. Essas funções auxiliam na inicialização de espaços reservados de dados e na geração de tensores estruturados ou personalizados.
Tensor de Zeros e Uns
Para criar um tensor preenchido com zeros, utilize torch.zeros(). Os argumentos representam o tamanho de cada dimensão, sendo que o número de argumentos corresponde ao número de dimensões:
123import torch tensor = torch.zeros(4, 2) print(tensor)
Isso é útil para inicializar vieses ou espaços reservados onde os valores iniciais são definidos como zero. Da mesma forma, utilize torch.ones() para criar um tensor preenchido com uns:
123import torch tensor = torch.ones(3, 3) print(tensor)
Isso pode ser particularmente útil para inicializar pesos, termos de viés ou realizar operações onde um tensor de uns serve como elemento neutro ou multiplicador específico em cálculos matemáticos.
Arange e Linspace
De forma semelhante ao numpy.arange(), torch.arange() gera uma sequência de valores com um tamanho de passo especificado:
123import torch tensor = torch.arange(0, 10, step=2) print(tensor)
Um tensor foi criado com sucesso com valores de 0 até 10 exclusivo, com tamanho de passo igual a 2. Para criar valores uniformemente espaçados entre um ponto inicial e final, utilize torch.linspace():
123import torch tensor = torch.linspace(0, 1, steps=5) print(tensor)
Isso gera um tensor com 5 valores igualmente espaçados entre 0 e 1 inclusive.
Tensor a partir da Forma
É possível criar tensores com uma forma específica utilizando as variantes "like" das funções de criação. Essas funções criam tensores com a mesma forma de um tensor existente:
123456import 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}")
Obrigado pelo seu feedback!
