torch.rand(*sizes, out=None)
返回一个张量,包含了从区间[0,1]的均匀分布中抽取的随机的一组随机数,张量形状由参数size定义。
>>> import torch
>>> a = torch.rand((2,3))
>>> a
tensor([[0.2969, 0.8017, 0.9024],
[0.0810, 0.2303, 0.7425]])
torch.randn(*sizes, out=None)
返回一个张量,包含了从标准正态分布(均值为0, 方差为1,即高斯白噪音)中抽取的一组随机数,张量形状由size定义
>>> b = torch.randn((3 ,2))
>>> b
tensor([[ 0.6700, 1.4233],
[-2.0809, 0.5361],
[-0.5831, -0.3056]])
torch.normal(means, std, out=None)
返回张量,包含了指定 均值means和标准差std的离散正态分布中抽取的一组随机数,标准差std是一个张量,包含了每个输出元素相关的正态分布标准差
- 参数:
- means (float, optional) - 均值
- std (Tensor) - 标准差
- out (Tensor) - 输出张量
>>> a
tensor([[0.2969, 0.8017, 0.9024],
[0.0810, 0.2303, 0.7425]])
>>> c = torch.normal(mean=0.5, std=a)
>>> c
tensor([[ 0.2432, 1.0196, -0.0108],
[ 0.6004, 0.3536, 0.6800]])
torch.linespace(start, end, steps=100, out=None)
返回一个张量,包含在区间start和end上均匀间隔step个点,输出张量的长度由steps决定。
- 参数:
- start (float) - 区间的起始点
- end (float) - 区间的终点
- steps (int) - 在start和end间生成的样本数
- out (Tensor, optional) - 结果张量
>>> d= torch.linspace(1,10,10)
>>> d
tensor([ 1., 2., 3., 4., 5., 6., 7., 8., 9., 10.])
torch.arange(start, end, step)
返回一维张量,形状为 (end-start)/step,数值在[start, end]间
- 参数:
- start (float) - 区间的起始点
- end (float) - 区间的终点
- step (int,float) - 数值增加步伐 start+step
- out (Tensor, optional) - 结果张量
>>> g = torch.arange(1,10, 1)
tensor([1, 2, 3, 4, 5, 6, 7, 8, 9])
>>> g = torch.arange(1,10, 1.6)
tensor([1.0000, 2.6000, 4.2000, 5.8000, 7.4000, 9.0000])
torch.ones(input.size(), dtype=input.dtype, layout=input.layout, device=input.device)
- 参数:input_size: 生成张量形状
>>> e = torch.ones((2,5))
>>> e
tensor([[1., 1., 1., 1., 1.],
[1., 1., 1., 1., 1.]])
# torch.zeros()与torch.ones类似
>>> f =torch.zeros((2,5))
>>> f
tensor([[0., 0., 0., 0., 0.],
[0., 0., 0., 0., 0.]])
troch.full(size, fill_value) 固定数值
- 参数:
- size: 生成张量的大小
- fill_value: 填充张量的数
>>> torch.full((2,3),23)
tensor([[23., 23., 23.],
[23., 23., 23.]])
————————————————
参考博客:https://blog.csdn.net/qq_26369907/article/details/89011213