Summary
This chapter explains how to generate random tensors of given shapes from uniform, normal, or integer distributions and how to set a seed for reproducible results.

General domain of usage
Machine learning

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.

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).

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**.


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**.

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)

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.

Notera

## 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.

Vilket av följande påståenden om slumpmässiga tensorer i PyTorch är korrekt?

Övergång från hög-nivå bibliotek till flexibiliteten hos PyTorch. Bemästra grundläggande byggstenar inom djupinlärning genom att arbeta med Tensors, den centrala datastrukturen i PyTorch. Utforska automatisk differentiering med gradienter, implementera backpropagation och bygg kompletta neurala nätverk från grunden. Lär dig hantera verkliga datamängder och administrera hela träningscykeln – från viktinitialisering till modelevaluering.

Skapa Slumpmässiga Tensorer

Slumpmässiga uniforma tensorer

Slumpmässiga normala tensorer

Slumpmässiga heltalstensorer

Ställa in slumpmässigt frö

Praktiska användningsområden för slumpmässiga tensorer