torch.rand(*sizes, out=None) → Tensor 返回一个张量,包含了从区间[0,1)的均匀分布中抽取的一组随机数,形状由可变参数sizes 定义。
>> > import torch
>> > torch. rand( 4 )
tensor( [ 0.2577 , 0.8006 , 0.8485 , 0.6870 ] )
[ torch. FloatTensor of size 4 ]
>> > torch. rand( 2 , 3 )
tensor( [ [ 0.5984 , 0.9541 , 0.9772 ] ,
[ 0.1369 , 0.2278 , 0.2038 ] ] )
[ torch. FloatTensor of size 2x3]
torch.randn(*sizes, out=None) → Tensor 创建指定任意大小的随机tensor,返回一个张量,包含了从标准正态分布(均值为0,方差为 1,即高斯白噪声)中抽取一组随机数,形状由可变参数sizes定义。
>> > import torch
>> > torch. randn( 1 , 2 , 3 )
tensor( [ [ [ - 0.2409 , - 0.5479 , - 0.1007 ] ,
[ - 0.6485 , 0.6540 , - 0.4707 ] ] ] )
>> > torch. randn( 2 , 2 , 3 )
tensor( [ [ [ - 0.2957 , - 0.5528 , 1.0466 ] ,
[ 0.6105 , 0.6842 , - 1.2254 ] ] ,
[ [ 1.0195 , 0.7792 , 0.5128 ] ,
[ 0.2309 , 0.6751 , 0.1931 ] ] ] )
torch.masked_select(input, mask, out=None) → Tensor 根据掩码张量mask中的二元值,取输入张量中的指定项(mask为一个ByteTensor),将取值返回到一个新的1D张量,张量 mask须跟input张量有相同数量的元素数目,但形状或维度不需要相同。
>> > import torch
>> > import numpy as np
>> > input = torch. rand( 2 , 3 )
>> > input
tensor( [ [ 0.8589 , 0.1204 , 0.0061 ] ,
[ 0.4247 , 0.2235 , 0.4059 ] ] )
>> > mask = ( input > 0.5 ) . byte( )
>> > mask
tensor( [ [ 1 , 0 , 0 ] ,
[ 0 , 0 , 0 ] ] , dtype= torch. uint8)
>> > torch. masked_select( input , mask)
tensor( [ 0.8589 ] )
>> > torch. mul( input , mask)
tensor( [ [ 0.8589 , 0.0000 , 0.0000 ] ,
[ 0.0000 , 0.0000 , 0.0000 ] ] )
torch.clamp(input, min, max, out=None) → Tensor 将输入input张量每个元素的夹紧到区间[min, max]
,并返回结果到一个新张量。
>> > import torch
>> > a = torch. randn( 4 )
>> > a
tensor( [ - 1.3920 , - 1.4772 , 0.7620 , - 0.1233 ] )
[ torch. FloatTensor of size 4 ]
>> > torch. clamp( a, min = - 0.5 , max = 0.5 )
tensor( [ - 0.5000 , - 0.5000 , 0.5000 , - 0.1233 ] )
[ torch. FloatTensor of size 4 ]
torch.clamp(input, min, *, out=None) → Tensor 将输入input张量每个元素的限制到不小于min
,并返回结果到一个新张量。 torch.clamp(input, *, max, out=None) → Tensor 将输入input张量每个元素的限制到不大于max
,并返回结果到一个新张量。
>> > import torch
>> > torch. clamp( a, min = - 0.5 )
tensor( [ - 0.5000 , - 0.5000 , 0.7620 , - 0.1233 ] )
>> > torch. clamp( a, max = 0.5 )
tensor( [ - 1.3920 , - 1.4772 , 0.5000 , - 0.1233 ] )