torch.randn(),torch.view()

最新推荐文章于 2024-02-27 16:57:16 发布
最新推荐文章于 2024-02-27 16:57:16 发布
阅读量414 收藏 4
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_42479394/article/details/113395289
版权
本文介绍了PyTorch中用于生成随机数的torch.randn()函数及其用法，展示了如何创建不同形状的张量，并通过示例解释了重塑张量的torch.view()方法。通过这两个函数，可以更好地理解和操作深度学习模型中的张量数据。
摘要由CSDN通过智能技术生成

 1.torch.randn()

#表示生成10行1列的矩阵
>>> print(torch.randn(10))
tensor([ 0.2404,  0.1553,  0.9415, -1.4893, -0.5702,  0.1510, -1.9383, -1.3285,
         1.9475,  0.5191])

#表示生成3行7列的矩阵
>>> print(torch.randn(3,7))
tensor([[-0.0585,  0.7210,  0.0596, -0.4930,  0.1570,  1.0687, -1.1394],
        [ 3.0782, -0.2311,  0.1482, -0.3761,  0.7074, -1.2496, -0.4011],
        [ 0.8792, -0.2779, -0.0510,  0.0839,  0.0405, -0.3757,  0.5353]])

#表示生成3行4列的矩阵，每个矩阵由5行7列的矩阵组成
>>> print(torch.randn(3,4,5,7))
tensor([[[[-1.5769,  0.2419, -0.5868, -0.1063,  1.3775,  0.2525,  0.9875],
          [-0.6063, -0.1322, -0.7904,  0.1302, -0.1658, -0.3401,  0.2370],
          [-0.9917,  1.0001,  0.6126, -0.1851,  1.0017,  0.8889, -0.0244],
          [-0.4924,  0.5012, -0.8785,  0.0968,  1.4721,  0.7539, -0.4921],
          [-0.1021,  0.3572, -1.4037, -0.6478,  0.3062,  0.6476, -0.2969]],

         [[ 1.1890, -0.3115,  1.1767,  0.2928,  0.0390, -0.2468,  2.1554],
          [-1.6433, -0.6190, -1.2238,  0.8265,  0.6606, -0.6318, -1.1565],
          [ 0.4185, -0.6345, -0.4282, -2.7952,  0.6514, -0.4509, -0.9177],
          [ 0.4955,  0.1723,  0.3209, -1.0996,  0.4690, -0.1139, -0.0224],
          [-0.9791,  0.8259,  1.2577,  2.2184,  0.9699,  0.8780,  0.3876]],

         [[-0.6944, -1.1339, -0.0226, -0.2396, -0.7640,  0.3367,  1.3382],
          [-0.1035, -0.6598, -1.1466, -2.1089,  1.6265,  0.9400,  1.7371],
          [-2.1663,  0.4829,  0.9560, -0.0897, -0.8028,  0.5874,  0.7805],
          [-0.4544,  0.3491, -0.8602, -2.1368,  0.7891, -0.0866, -1.0528],
          [-0.3847, -0.7381, -0.0796,  0.9381,  0.4102, -0.6421,  0.6569]],

         [[ 1.7909,  1.8070,  1.9781,  0.1744,  0.4654,  0.1699,  1.7617],
          [-1.3079, -0.2636,  1.4659,  1.4563,  1.5756, -0.2794,  0.2988],
          [-1.3613,  0.1639, -1.4990,  0.9130, -0.9895,  0.8622,  1.5201],
          [-0.7516, -1.1907,  0.5809, -1.2971, -0.0990, -1.5611, -1.3456],
          [ 0.7150, -1.7344,  0.8067,  0.6613,  0.1570,  0.8911, -0.8433]]],


        [[[ 1.0246,  0.1455,  0.0153, -0.3716,  0.0327,  0.2722, -1.0645],
          [-1.1506, -0.4070,  1.7139, -0.9553,  0.4746, -0.6803, -0.5326],
          [-1.0869,  0.2114,  0.5734,  1.4219, -0.8341,  0.4975,  0.0552],
          [-0.3174,  2.5000, -0.0537, -0.8024, -0.7332, -0.4389, -0.0832],
          [ 1.0840,  0.4139,  1.9582, -1.1746, -0.4922, -1.6308,  0.4970]],

         [[ 0.5620,  0.9670, -1.5087, -0.5367,  1.1533,  0.5771,  0.7971],
          [ 1.5197,  0.9345,  1.9864,  1.7906,  1.5021, -0.0080, -0.5722],
          [-0.4029, -1.1087, -0.7542, -0.5647,  0.3224, -1.3724, -1.7829],
          [ 1.5960,  0.5988, -0.1203,  0.4854,  0.0474, -1.0549, -0.4340],
          [-1.5121, -0.2610, -1.2912, -0.3814, -0.1792,  1.5958, -0.7794]],

         [[-0.9935,  0.0514, -0.5887,  0.4746, -1.2608,  1.2408, -1.4667],
          [ 0.2221, -1.2183,  1.4918, -0.0342,  0.9353, -0.6949, -1.4736],
          [-0.9205,  1.4535, -0.6945,  0.4575,  1.1579, -0.2706, -0.3936],
          [ 0.6763, -0.0519, -0.8416, -0.2351,  0.0309, -1.9047, -1.3954],
          [-1.3733, -0.4315,  0.2281,  1.0353, -0.4927,  1.5695, -1.8960]],

         [[ 2.9079,  0.7202,  0.0867, -1.1760,  0.1149, -0.4039,  2.2260],
          [ 0.6643,  0.0450,  1.0521,  1.1080,  0.1285,  0.2523, -0.1265],
          [-0.3117, -0.7383, -0.2497,  0.5455, -1.1887,  0.6445,  2.5453],
          [ 1.5697,  0.2740, -0.5679, -1.3099,  0.2619,  0.3816, -0.1587],
          [ 0.2626, -0.2919,  1.8030, -0.7255, -0.6814, -0.3998,  0.0349]]],


        [[[-0.0180,  1.1783,  0.0545, -0.5904,  2.1198,  0.1767, -0.4513],
          [ 0.3815,  0.0154,  0.7989,  1.1422,  0.8220,  0.6564,  1.8591],
          [ 1.5829,  0.3615,  1.4223,  0.7114, -0.5724, -0.7661, -0.4396],
          [-0.4273, -0.7763,  1.1050,  0.0252, -0.8989,  0.3818,  0.8155],
          [ 0.3036, -0.4567,  1.4826, -2.1209, -0.1647,  1.5700,  0.2828]],

         [[ 1.9126, -0.9452,  0.5136,  1.1199,  0.2789, -1.6411,  0.4620],
          [-0.0253, -1.1983,  0.2417, -0.6314,  0.2280, -0.6911,  0.9335],
          [-0.7067, -0.7373, -0.5243, -1.5660, -1.6268,  0.4014, -0.8195],
          [-1.0538, -1.7657, -0.4699, -0.4545, -0.6200,  0.2584, -1.4731],
          [ 0.6076, -0.7046, -0.3294,  0.3833, -0.3924,  0.1269,  0.7618]],

         [[-0.0238, -2.3625,  1.1116, -0.4800,  2.0954, -0.7863,  0.0848],
          [-1.0785,  1.6630, -0.5565,  0.4222, -0.3833,  1.1850, -0.5977],
          [-0.6167,  1.0896, -0.5004,  0.4051, -0.7550, -1.5005,  1.0142],
          [-0.7001,  0.7948, -0.0656, -0.0716, -0.4193,  0.4981,  0.9962],
          [-0.1734, -1.2223,  1.0788,  1.2734,  0.1327,  1.1607, -0.6811]],

         [[-2.5511, -0.0265, -0.4980,  1.1688, -0.6372, -0.3048, -0.0291],
          [-0.4156, -0.6856,  0.1805,  2.6037, -0.1376,  0.4971,  0.1500],
          [ 0.6073,  0.3128,  0.6700,  0.9330,  0.0262, -0.0907,  1.0923],
          [ 1.0287, -0.3822,  0.0512,  1.4120,  0.2241, -0.7554,  1.4128],
          [-0.6244,  0.1827,  0.3909,  1.5041,  0.0608, -1.0038, -0.5171]]]])

 2.torch.view()

#一开始看了半天都看不懂，可能是没实践，一实践就懂了

#torch.view()就相当于重整型，下面就是原来是（2,6）的矩阵弄成（3,4）的矩阵
a=torch.randn(2,6)
b=a.view(3,4)
#也可以写成
b=a.view(3,-1)

 

我叫夏满满
关注
  • 1
    点赞
  • 踩
  • 4
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
pytorch中torch.max和Tensor.view函数用法
qq_38469553的博客
12-27 1万+
torch.max() 1. torch.max()简单来说是返回一个tensor中的最大值。例如： >>> si=torch.randn(4,5) >>> print(si) tensor([[ 1.1659, -1.5195,  0.0455,  1.7610, -0.2064],         [-0.3443,  2.0483,  0.6303,...
torch.rand()、torch.randn()、torch.randint()、torch.randperm()用法
热门推荐
leilei7407的博客
07-31 13万+
torch.rand和torch.randn有什么区别？ 一个均匀分布，一个是标准正态分布。 torch.rand() #rand(*size, out=None, dtype=None) t1 = torch.rand(2,3) print(t1,t1.type()) randn(*size, out=None, dtype=None)和randn_like(input, dtype=None) #randn(*size, out=None, dtype=None) #randn_like(in
PyTorch基础学习：生成随机数(torch.rand()、torch.randn()、torch.randint()、torch.randperm())
最新发布
创作高质量博文，分享知识，共同进步！
02-27 1万+
🚀PyTorch学习之旅：探索随机数生成🚀 🤔为什么需要随机数？在深度学习中，随机数助力模型初始化，增强泛化能力。😅如何生成？PyTorch提供torch.rand(), torch.randn(), torch.randint(), torch.randperm()等函数，满足各种需求。🎯注意事项？注意随机数分布、范围及随机数种子设置。🎁回顾收获，掌握PyTorch随机数生成，助力深度学习之旅。🤝期待与你共同成长，探索更多PyTorch知识！ #PyTorch #随机数生成 #深度学习
torch.randn用法
weixin_47156261的博客
05-10 7万+
torch.randn:用来生成随机数字的tensor，这些随机数字满足标准正态分布（0~1）。 torch.randn（size),size可以是一个整数，也可以是一个元组。 代码示例： import torch a=torch.randn(3) b=torch.randn(3,4) print("a:",a) print("b:",b) 输出： a: tensor([ 0.9405, -0.1068, 0.1712]) b: tensor([[-1.0962, -0.1893, 1.2323,
PyTorch使用之view()函数
edward_zcl的博客
09-25 8370
view()函数作用是将一个多行的Tensor,拼接成一行。 import torch a = torch.Tensor(2,3) print(a) # tensor([[0.0000, 0.0000, 0.0000], # [0.0000, 0.0000, 0.0000]]) print(a.view(1,-1)) # tensor([[0.0000, 0.0000, 0....
pytorch中view的用法(重构张量)
木盏
09-08 4079
view在pytorch中是用来改变张量的shape的，简单又好用。 pytorch中view的用法通常是直接在张量名后用.view调用，然后放入自己想要的shape。如 tensor_name.view(shape) Example: 1. 直接用法： >>> x = torch.randn(4, 4) >>> x.size() torch.Size([4, 4]) >>> y = x.view(16) >>&gt...
pytorch中torch.max和Tensor.view函数用法详解
12-23
>>> si=torch.randn(4,5) >>> print(si) tensor([[ 1.1659, -1.5195, 0.0455, 1.7610, -0.2064], [-0.3443, 2.0483, 0.6303, 0.9475, 0.4364], [-1.5268, -1.0833, 1.6847, 0.0145, -0.2088], [-0.8681, 0.1516, ...
Pytorch中torch.gather函数
12-21
在描述中提到的`gather_example()`函数中，我们首先创建了一个形状为`(4, 5)`的张量`s`，使用`torch.randn()`生成随机数值。接着，我们定义了一个索引张量`y`，它是一个`LongTensor`，因为`torch.gather`要求索引...
浅谈Pytorch torch.optim优化器个性化的使用
09-17
input_ = t.autograd.Variable(t.randn(1, 3, 32, 32)) output = net(input_) loss = output.loss # 假设loss是我们的损失函数 loss.backward() optimizer.step() ``` 然而，有时我们可能需要为网络的不同部分设置...
基于深度学习的近红外光谱数据回归分析模型.zip
02-19
在本项目实践中，我们主要探讨的是如何利用深度学习技术对近红外光谱（NIRS）数据进行回归分析。近红外光谱技术是一种无损、快速的分析方法，广泛应用于化学、生物医学、食品安全等领域，通过测量物质对近红外光的...
Python Transformer模型笔记.md
08-17
query = torch.randn(3, 4, 5) # 3个样本，每个样本4个query，每个query有5个特征 key = torch.randn(3, 4, 5) value = torch.randn(3, 4, 5) context = self_attention(query, key, value) print("Context shape:...
pytorch中 max()、view()、 squeeze()、 unsqueeze()
跨模态
07-28 1万+
查了好多博客都似懂非懂，后来写了几个小例子，瞬间一目了然。 目录 一、torch.max() 二、torch.view() 三、 1.torch.unsqueeze() 2.squeeze() 一、torch.max() import torch a=torch.randn(3) print("a:\n",a) print('max(a):',torch.max(a)) b...
pytorch: torch.Tensor.view ------ reshape
wzg2016的博客
10-21 6925
torch.Tensoe.view(python method, in torch.Tensor) 作用: 将输入的torch.Tensor改变形状(size)并返回.返回的Tensor与输入的Tensor必须有相同的元素,相同的元素数目,但形状可以不一样 即,view起到的作用是reshape,view的参数的是改变后的shape. 示例如下: >>> x = tor...
关于Pytorch中view函数的使用
开飞机的小毛驴儿
02-20 1247
If you areviewingcollapsing non-neighboring dimensions, you are interleaving the pixels. You could try it on an image tensor and your result should be interleaved. 注意，在使用view函数的时候一定要配合permute函数使用，类...
pytorch常用函数之torch.randn()
JannyYang的博客
09-03 1万+
torch.randn(*sizes, out=None)→ Tensor 功能：从标准正态分布（均值为0，方差为1）中抽取的一组随机数。返回一个张量 sizes (int…) - 整数序列，定义输出张量的形状 out (Tensor, optinal) - 结果张量 eg： random = torch.randn(2, 3） out: 0.5419 0.1594 -0.0413 ...
torch.randn 方法
专注于AI领域前沿技术学习与分享：目标检测、图像修复、超分重建、AI工程化
02-07 4439
torch.randn 方法 返回一个张量，其中包含来自均值为0、方差为1的正态分布的随机数(也称为标准正态分布) 官方文档 https://pytorch.org/docs/stable/generated/torch.randn.html Example: >>> torch.randn(4) tensor([-2.1436, 0.9966, 2.3426, -0.6366]) >>> torch.randn(2, 3) tensor([[ 1.5954,.
pytorch之torch.randn()
邹小驴
08-14 2万+
torch.randn(*sizes, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False) -> Tensor Args: sizes (int...): a sequence of integers defining the shape of the output t...
torch.randn()函数
qq_42119367的博客
11-23 5万+
torch.randn() torch.randn(*size, *, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False) → Tensor 返回一个符合均值为0，方差为1的正态分布（标准正态分布）中填充随机数的张量 Parameters size(int…) --定义输出张量形状的整数序列。可以是数量可变的参数，也可以是列表或元组之类的集合。 Keyword Arguments out(
torch.rand() 和 torch.randn() 有什么区别？
qq_31267769的博客
08-08 6883
torch.randn(*sizes, out=None) randn是随机生成服从正态分布的数据，返回值为张量。 参数: sizes (int...) - 整数序列，定义了输出张量的形状 out (Tensor, optinal) - 结果张量 torch.rand(*sizes, out=None) rand是随机生成服从均匀分布的数据，返回值为张量。 参数: sizes (int...) - 整数序列，定义了输出张量的形状 out (Tensor, optinal) - 结果张量 两者
x = torch.randn(3,1,5,4）
05-21
这是一个形状为 (3, 1, 5, 4) 的四维张量，其中： - 第一维大小为 3，表示该张量包含 3 个元素； - 第二维大小为 1，表示每个元素包含 1 个通道； - 第三维大小为 5，表示每个通道包含 5 行数据； - 第四维大小为 4，表示每行数据包含 4 列元素。 你可以使用 PyTorch 提供的各种函数和工具来操作这个张量，例如： ``` python # 获取张量的形状 print(x.shape) # 获取张量中的元素个数 print(x.numel()) # 将张量转换为二维张量 x_2d = x.view(3, 20) print(x_2d.shape) # 将张量转换为一维张量 x_1d = x.view(-1) print(x_1d.shape) # 获取张量的第一个元素 print(x[0, 0, 0, 0]) # 获取张量的最后一个元素 print(x[-1, -1, -1, -1]) # 将张量转换为 CPU 或 GPU 上的张量 device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu") x.to(device) ```
评论
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