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。