pytorch初始化 创建tensor（均匀采样、正态分布采样等）

最新推荐文章于 2024-06-02 09:47:06 发布
最新推荐文章于 2024-06-02 09:47:06 发布
阅读量7.5k 收藏 6
点赞数 1
文章标签： python pytorch
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_41993290/article/details/101454378
版权

文章目录

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

room_τ
关注
  • 1
    点赞
  • 踩
  • 6
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
torch.nn.interpolate—torch上采样和下采样操作
爱在深秋
08-30 7229
最近博主搭建网络需要用到一些直接对于GPU上的tensor的上采样和下采样操作，如果使用opencv那么就需要先将数据从GPU上面copy到CPU，操作完后在转移到GPU。这样不能利用GPU的加速技术，并且还会导致程序阻塞，pytorch中带有函数interpolate可以实现这个功能，下面详细讲解这个函数的使用。.........
pytorch教程龙曲良11-15
sueong的博客
05-11 339
11创建tensor02 randn一般是均值为0，方差为1的正态分布N(0,1)，也可以自定义N(u,std)用torch.normal torch.normal(mean=torch.full([10],0),std=torch.arange(1,0,-0.1)) #比如先把一个2*5的矩阵打平变成1*10，然后normal后再reshape为2*5 #torch.full先构建一个一维长度为10全是0的tensor，这样他们的mean就都是0 #torch.arange使得标准差std分布为[1,0.
Pytorch：均匀分布（a,b）[tensor类型]
perdonare的博客
03-29 2874
(b-a)*torch.rand(m,n)+a [m,n]：生成均匀分布的形状
Pytorch分布采样：torch.distributions.Normal(mean, std).sample() 和 torch.multinomial()
最新发布
YHKKun的博客
06-02 541
如果动作空间是离散的（例如，选择向左、向右、跳跃或蹲下），可以使用。在强化学习中，如果动作空间是连续的（例如，调整机器人的关节角度），可以选择。来根据每个动作的概率采样一个动作。
Pytorch学习之torch----随机抽样、序列化、并行化
励志的小胡子
07-12 1万+
1. torch.manual_seed(seed) 说明：设置生成随机数的种子，返回一个torch._C.Generator对象。使用随机数种子之后，生成的随机数是相同的。 参数： seed(int or long) -- 种子 >>> import torch >>> torch.manual_seed(1) <torch._C.Generat...
正态分布、正态分布采样及Python实现
热门推荐
Master He的博客
12-27 2万+
正态分布、正态分布采样及Python实现多元正态分布(多元高斯分布)协方差矩阵协方差分解变量的线性变换(正态分布采样原理)python实现参考文献 多元正态分布(多元高斯分布) 直接从多元正态分布讲起。多元正态分布公式如下： Pr=1(2π)D/2∣∑∣1/2exp(−0.5(x−μ)T∑−1(x−μ)))P_r = \frac{1}{(2\pi )^{D/2}\left | \sum \rig...
对Pytorch神经网络初始化kaiming分布详解
01-20
2. **Kaiming正态分布**：虽然PyTorch中没有直接的Kaiming正态分布初始化函数，但可以通过类似的方式实现，如使用`torch.normal(mean=0, std=sqrt(1 / fan_in))`。 在实际应用中，PyTorch的卷积层和全连接层默认...
Pytorch 实现权重初始化
09-18
- `normal(tensor, mean=0, std=1)`：根据给定的均值 `mean` 和标准差 `std` 从正态分布中初始化张量。 - `xavier_uniform(tensor, gain=1)`：使用 Xavier Glorot 方法均匀初始化权重，以确保输入和输出之间的方差...
pytorch自定义初始化权重的方法
12-31
在常见的pytorch代码中，我们见到的初始化方式都是调用init类对每层所有参数进行初始化。但是，有时我们有些特殊需求，比如用某一层的权重取优化其它层，或者手动指定某些权重的初始值。 核心思想就是构造和该层权重...
python PyTorch参数初始化和Finetune
09-20
一种常见的初始化方法是正态分布初始化，如在卷积层中，我们可以使用以下代码： ```python def weight_init(m): if isinstance(m, nn.Conv2d): n = m.kernel_size[0] * m.kernel_size[1] * m.out_channels m....
Python 对多边形的边进行均匀采样
WoooChi的博客
11-12 2140
在做实验时遇到了如何对多边形的边离散采样为点的问题。根据不同情况，对应找到了两种解决办法：CouldCompare软件与万能Python。
torch的基本用法 | 超全总结
K_Kelly_的博客
10-01 2186
torch常见用法
矩阵快速幂——从入门到放弃(看这一篇就够了)
Cherrt的博客
10-04 913
文章目录Part 1: 矩阵的运算Part 2: 例题与讲解例1. 斐波那契数列练1. P2359三素素数(数据加强: n≤1018n≤10^{18}n≤1018)练2. P5343[XR-1]分块练3. P1939[模板]矩阵加速例2. [SCOI2009]迷路例3. [NOI Online #3提高组]魔法值练2: [NOI2020D1T1]美食家例4. [TJOI2017]可乐 Part 1: 矩阵的运算 矩阵有许多种运算，这里列举出其中最常用的三个。为了方便书写，假设参与运算的两个矩阵是A,BA,
Pytorch上下采样函数--interpolate
weixin_36670529的博客
05-04 2663
torch.nn.functional.interpolate(input, size=None, scale_factor=None, mode=‘nearest’, align_corners=None) 函数的参数如下： input (Tensor) – the input tensor size (int or Tuple[int] or Tuple[int, int] or Tuple[int, int, int]) – output spatial size. scale_factor
Pytorch中数据采样方法Sampler(torch.utils.data)(二) —— WeightedRandomSampler & SubsetRandomSampler
hxxjxw的博客
08-14 5751
Pytorch中数据采样方法Sampler(torch.utils.data)(二) —— (WeightedRandomSampler&SubsetRandomSampler)
pytorch torch.nn 实现上采样——nn.Upsample
云中寻雾的博客
08-19 2万+
Vision layers 1）Upsample CLASS torch.nn.Upsample(size=None, scale_factor=None, mode='nearest', align_corners=None) 上采样一个给定的多通道的1D (temporal,如向量数据), 2D (spatial，如jpg、png等图像数据) or 3D (volumetric，如点云数据)数据 假设输入数据的格式为minibatch x channels x [optional depth].
Pytorch之上采样
Ztomepic的博客
01-01 817
nn.Upsample CLASS torch.nn.Upsample(size=None, scale_factor=None, mode='nearest', align_corners=None) 参数： size – 根据不同的输入类型制定的输出大小 scale_factor – 指定输出为输入的多少倍数。如果输入为tuple，其也要制定为tuple类型。注意：size跟sca...
pytorch学习之：常用的数据集处理方法（Dataset）和数据采样策略 （Sampler）
qq_42902997的博客
01-13 1026
【代码】pytorch学习之：常用的数据集处理方法（Dataset）和数据采样策略 （Sampler）
2.2 批量处理图片的下采样方法（pytorch的最大池化法）
weixin_71719718的博客
08-09 246
down_image_saves=os.path.join(img_save,item)#保存下采样图片的路径。image_path=os.path.join(img_path,item)#图片的具体路径。# 修改矩阵的维度：1080X1920X3------>1X3X1080X1920。# 修改矩阵维数：1X3X270X480---->270X480X3。#批量图片的下采样：输入图片的文件夹路径和要保存的下采样的文件夹路径。# 修改矩阵类型：array--->tensor。# 下载下采样后的图片。
pytorch神经网络He正态分布初始化
07-28
在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...

“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

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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