自己做网站推广,济源网站建设,wordpress文章所有图片大小,wordpress分页1 torch.rand#xff1a;构造均匀分布张量 torch.rand是用于生成均匀随机分布张量的函数#xff0c;从区间[0,1)的均匀分布中随机抽取一个随机数生成一个张量#xff0c;其调用方法如下所示#xff1a; torch.rand(sizes, outNone) ➡️ Tensor 参数#xff1a; sizes构造均匀分布张量 torch.rand是用于生成均匀随机分布张量的函数从区间[0,1)的均匀分布中随机抽取一个随机数生成一个张量其调用方法如下所示 torch.rand(sizes, outNone) ➡️ Tensor 参数 sizes用于定义输出张量的形状 示例代码 import torch# 生成一个每个元素服从0-1均匀分布的4行3列随机张量 random_tensor torch.rand(4, 3) print(tensor:, random_tensor) print(type:, random_tensor.type()) print(shape:, random_tensor.shape) 运行代码显示 tensor: tensor([[0.4349, 0.8567, 0.7321],[0.4057, 0.0222, 0.3444],[0.9679, 0.0980, 0.8152],[0.1998, 0.7888, 0.5478]]) type: torch.FloatTensor shape: torch.Size([4, 3]) 2 torch.randn构造标准正态分布张量 torch.randn()是用于生成正态随机分布张量的函数从标准正态分布中随机抽取一个随机数生成一个张量其调用方法如下所示 torch.randn(sizes, outNone) ➡️ Tensor 参数 sizes用于定义输出张量的形状 示例代码 import torch# 生成一个每个元素均为标准正态分布的4行3列随机张量 random_tensor torch.randn(4, 3) print(tensor:, random_tensor) print(type:, random_tensor.type()) print(shape:, random_tensor.shape) 运行代码显示 tensor: tensor([[ 0.7776, 0.6305, 0.1961],[ 0.1831, -0.4187, 0.1245],[ 0.3092, -1.0463, -0.6656],[-1.0098, 1.3861, -0.2600]]) type: torch.FloatTensor shape: torch.Size([4, 3]) 3 torch.randn_like构造与输入形状相同正态分布张量 torch.randn_like()用于生成一个与输入张量大小相同的张量其中填充了均值为 0 方差为 1 的正态分布的随机值其调用方法如下所示 torch.randn_like(input_tensor, dtypeNone, layoutNone, deviceNone, requires_gradFalse) ➡️ Tensor 参数 input_tensor必需- 其大小将用于生成输出张量的输入张量。 dtype可选- 输出张量所需的数据类型。默认为None这意味着将使用输入张量的数据类型。 layout可选- 输出张量所需的内存布局。默认为None这意味着将使用输入张量的内存布局。 device可选- 输出张量所需的设备。默认为None这意味着将使用输入张量的设备。 requires_grad可选- 输出张量是否应该在反向传播期间计算其梯度。默认为False。 示例代码 import torch# 生成一个每个元素均为标准正态分布的4行3列随机张量 tensor_x torch.randn(4, 3) tensor_y torch.randn_like(tensor_x)print(tensor_x:, tensor_x) print(type:, tensor_x.type()) print(shape:, tensor_x.shape)print(tensor_y:, tensor_y) print(type:, tensor_y.type()) print(shape:, tensor_y.shape) 运行代码显示 tensor_x: tensor([[ 5.5292e-01, 6.5111e-01, -6.0329e-04],[ 1.0402e00, -7.4630e-01, 7.5701e-01],[ 8.8160e-02, -1.2581e00, -1.8089e-01],[-4.2769e-01, -8.5043e-01, -5.8388e-01]]) type: torch.FloatTensor shape: torch.Size([4, 3]) tensor_y: tensor([[ 0.2308, 0.3297, -0.6633],[ 1.7389, 0.6372, -1.1069],[-0.2415, -0.8585, 0.3343],[-1.2581, -0.5001, 0.0317]]) type: torch.FloatTensor shape: torch.Size([4, 3]) 4 torch.randint构造区间分布张量 torch.randint()是用于生成任意区间分布张量的函数从标准正态分布中随机抽取一个随机数生成一个张量其调用方法如下所示 torch.randint(low0, high, sizes, outNone) ➡️ Tensor 参数 low~high随机数的区间范围 sizes用于定义输出张量的形状 示例代码 import torch# 生成一个每个元素均为[1-10]均匀分布的4行3列随机张量 tensor_int torch.randint(1, 10, (4, 3)) print(tensor_int:, tensor_int) print(type:, tensor_int.type()) print(shape:, tensor_int.shape)运行代码显示 tensor_int: tensor([[1, 7, 1],[3, 8, 7],[5, 2, 1],[5, 3, 6]]) type: torch.LongTensor shape: torch.Size([4, 3]) 5 torch.randperm根据生成的随机序号对张量进行随机排序 torch.randint()是用于对张量序号进行随机排序的函数根据生成的随机序列进行随机排序其调用格式如下所示 torch.randperm(n, outNone, dtypetorch.int64) ➡️ LongTensor 参数 n一个整数可以理解为张量某个方向的维度 dtype返回的数据类型torch.int64 示例代码 import torch# 生成一个0~3的随机整数排序 idx torch.randperm(4)# 生成一个4行3列的张量 tensor_4 torch.Tensor(4, 3)# 为了方便对比首先输出tensor_4的结果 print(原始张量\n, tensor_4)# 下面输出随机生成的行序号 print(\n生成的随机序号\n, idx)# 下面的指令实现了在行的方向上对tensor_4进行随机排序并输出结果 print(\n随机排序后的张量\n, tensor_4[idx]) 运行代码显示 原始张量tensor([[0., 0., 0.],[0., 0., 0.],[0., 0., 0.],[0., 0., 0.]])生成的随机序号tensor([3, 0, 2, 1])随机排序后的张量tensor([[0., 0., 0.],[0., 0., 0.],[0., 0., 0.],[0., 0., 0.]])