文章目录
- `torch.rand()`
- 示例:
- `torch.randn()`
- 示例:
当然,让我更详细地介绍 torch.rand()
和 torch.randn()
,以及它们在 PyTorch 中的用法。
torch.rand()
torch.rand(*sizes, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False)
生成从均匀分布(在 0 到 1 之间)中抽样的随机数。
*sizes
: 输出张量每个维度的大小。可以是整数序列或变量数量的参数。out
: 如果提供了,结果将被放入此张量。dtype
: 输出张量的所需数据类型。layout
: 输出张量的所需布局。device
: 输出张量的所需设备。requires_grad
: 如果为True
,生成的张量将具有requires_grad
属性,设置为True
,允许进行自动微分。
示例:
import torch# 生成一个2x3的张量,其中的元素是在0到1之间的随机值
随机张量 = torch.rand(2, 3)
print(随机张量)
torch.randn()
torch.randn(*sizes, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False)
生成从均值为0,标准差为1的正态分布中抽样的随机数。
*sizes
: 输出张量每个维度的大小。可以是整数序列或变量数量的参数。out
: 如果提供了,结果将被放入此张量。dtype
: 输出张量的所需数据类型。layout
: 输出张量的所需布局。device
: 输出张量的所需设备。requires_grad
: 如果为True
,生成的张量将具有requires_grad
属性设置为True
,允许进行自动微分。
示例:
import torch# 生成一个2x3的张量,其中的元素是从标准正态分布中抽样得到的随机值
正态随机张量 = torch.randn(2, 3)
print(正态随机张量)
这些函数在神经网络的权重初始化、为测试创建合成数据,以及任何需要随机数的场景中都很有用。根据你的具体用例调整大小和其他参数。