Lära Skapa Slumpmässiga Tensorer

Slumpmässiga tensorer är användbara för att initiera data eller vikter i maskininlärningsmodeller (det vanligaste användningsområdet).

Slumpmässiga uniforma tensorer

Funktionen torch.rand() används för att skapa en tensor med slumpmässiga värden hämtade från en uniform fördelning mellan 0 och 1. På liknande sätt som funktionerna zeros() och ones(), anger argumenten formen på tensorn.


              1234
            
import torch
# Create a 6x8 tensor with random values between 0 and 1
random_tensor = torch.rand(6, 8)
print(random_tensor)

Slumpmässiga normala tensorer

Funktionen torch.randn() används för att skapa en tensor med slumpmässiga värden hämtade från en standard normalfördelning (medelvärde = 0, standardavvikelse = 1).


              1234
            
import torch
# Create a 2x2 tensor with random values from a normal distribution
normal_tensor = torch.randn(2, 2)
print(normal_tensor)

Slumpmässiga heltalstensorer

Funktionen torch.randint() används för att skapa en tensor med slumpmässiga heltalsvärden hämtade från en diskret likformig fördelning.

De två första parametrarna för denna funktion (low, som är 0 som standard, och high) anger värdeintervallet (från low till high exklusive). Nästa parameter anger formen på tensorn som en tuple.


              1234
            
import torch
# Create a 4x3 tensor with random integers between 0 and 10
integer_tensor = torch.randint(0, 10, (4, 3))
print(integer_tensor)

Ställa in slumpmässigt frö

För att säkerställa reproducerbarhet kan ett manuellt frö anges. Detta gör att de slumpmässiga talen som genereras blir desamma varje gång koden körs.


              123456
            
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)

Notera

Du kan ställa in seed till ett godtyckligt heltal, och det faktiska värdet på heltalet spelar ingen roll för de flesta ändamål — det avgör helt enkelt sekvensen av slumptal som genereras. Det viktiga är att samma seed alltid kommer att producera samma sekvens av slumptal.

Praktiska användningsområden för slumpmässiga tensorer

Viktinitialisering: slumpmässiga tensorer används ofta för att initiera vikter i neurala nätverk;
Simulering av data: generera slumpmässiga dataset för testning och experimentering;
Slumpmässigt urval: använd slumpmässiga tensorer för uppgifter som dropout och brusaddition i modeller.

Var allt tydligt?

Tack för dina kommentarer!

Avsnitt 1. Kapitel 5

Fråga AI

Fråga vad du vill eller prova någon av de föreslagna frågorna för att starta vårt samtal

Svep för att visa menyn