pytorch初始化 创建tensor(均匀采样、正态分布采样等)

均匀采样

torch.rand()在[0,1]中均匀采样
torch.rand_like()
*_like标签的接收的是tensor
在这里插入图片描述

torch.randint(1,10,[3,3])随机的是[1,10)的整数[3,3]为shape
示例1

full的使用

在这里插入图片描述
torch.full([],7)创建的是标量
torch.full([1],7)创建的是tensor
在这里插入图片描述

正态分布采样

torch.randn(3,3)均值为0方差为1的[3,3]tensor
在这里插入图片描述
torch.full([10],0)长度为10,值都为0的tensor
torch.arange(1,0,-0.1)从1开始向0减少 一次减0.1
在这里插入图片描述
torch.normal正态分布
在这里插入图片描述

arange/range

第三个参数是阶梯
不推荐使用range函数
在这里插入图片描述

linspace/logspace

steps为数量值
arange中为阶梯
torch.linspace(0,10,steps=11)
linspace为[0,10]
torch.logspace(0,-1,steps=10)
logspace为100~10-1

在这里插入图片描述

Ones/zeros/eye

输入shape
ones为全1
zeros为全0
eye为对角线,适合矩阵
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

randperm

随机打散
在这里插入图片描述

  • 1
    点赞
  • 6
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
PyTorch中,He正态分布初始化是一种用于初始化神经网络权重的方法。它是由何凯明在2015年提出的,针对ReLU激活函数的特性进行了改进。相比于Xavier初始化在ReLU中的表现较差,He初始化能够更好地适应ReLU的非线性特性。\[2\] 在PyTorch中,可以使用torch.nn.init.kaiming_normal_函数来进行He正态分布初始化。该函数的参数包括要初始化的张量和非线性激活函数的类型。具体而言,对于ReLU激活函数,可以使用nonlinearity='relu'来指定。例如,可以使用以下代码进行He正态分布初始化: ```python import torch import torch.nn as nn # 定义一个卷积层 conv = nn.Conv2d(in_channels, out_channels, kernel_size) # 使用He正态分布初始化 nn.init.kaiming_normal_(conv.weight, nonlinearity='relu') ``` 这样,卷积层的权重将会按照He正态分布进行初始化,以更好地适应ReLU激活函数的特性。\[2\] #### 引用[.reference_title] - *1* *3* [PyTorch中的Xavier以及He权重初始化方法解释](https://blog.csdn.net/weixin_39653948/article/details/107950764)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^control_2,239^v3^insert_chatgpt"}} ] [.reference_item] - *2* [Pytorch神经网络初始化kaiming分布](https://blog.csdn.net/weixin_36670529/article/details/104031247)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^control_2,239^v3^insert_chatgpt"}} ] [.reference_item] [ .reference_list ]

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值