pytorch使用empty跟内建函数random_进行初始化Tensor

最新推荐文章于 2024-01-19 09:55:00 发布
最新推荐文章于 2024-01-19 09:55:00 发布
阅读量1k 收藏 7
点赞数 2
分类专栏： pytorch
原文链接：https://blog.csdn.net/yangdashi888/article/details/85781496
版权

使用empty跟内建函数random_进行初始化Tensor：

 

  1. # 将y取0或1

  2. y = torch.empty(3).random_(2)

其中如果函数有下标“_”这个表示时Tensor里的内建函数，其中产生一个0到2-1的整数值来随机初始化y

 

https://blog.csdn.net/yangdashi888/article/details/85781496

 

 

火星种萝卜
关注
专栏目录
Pytorch框架_实现函数参数预测_闭关修炼系列_CodingPark编程公园
CodingPark 编程公园
01-29 287
项目：我们可以把 y_data = 0.1 * x_data + 0.3 想象成 y=Weights * x + biases，然后神经网络学着把 Weights 变成 0.1, biases 变成 0.3
PyTorch深度学习实战（2）——PyTorch基础
热门推荐
盼小辉丶的博客
06-04 4万+
PyTorch 是广泛应用于机器学习领域中的强大开源框架，因其易用性和高效性备受青睐。在本节中，将介绍使用 PyTorch 构建神经网络的基础知识。首先了解 PyTorch 的核心数据类型——张量对象。然后，我们将深入研究用于张量对象的各种操作。PyTorch 提供了许多帮助构建神经网络的高级方法及组件，并提供了利用 GPU 更快地训练神经网络的张量对象。
pytorch 基本操作 生成随机数Tensor的方法汇总（标准分布、正态分布……）
jialibang的博客
04-20 5434
转载自：https://zhuanlan.zhihu.com/p/31231210在使用PyTorch做实验时经常会用到生成随机数Tensor的方法，比如：torch.rand()torch.randn()torch.normal()torch.linespace()在很长一段时间里我都没有区分这些方法生成的随机数究竟有什么不同，由此在做实验的时候经常会引起一些莫名其妙的麻烦。所以在此做一个总结，...
numpy和Pytorch中的random
a171232886的博客
11-21 1718
前言 作为测试用例，生成随机矩阵或者tensor很重要。可这个操作在numpy和Pytorch中略有区别。故在此处整理出。 Numpy numpy.random 生成随机数 如numpy.random.rand(2,3) 推荐使用方式 # 带键值对的方式，好记 a = np.random.uniform(low=1,high=2,size=[255,255,3]) a = np.random.normal(loc=1,scale=2,size=[255,255,3]) # 若需要改变类型 a.astyp
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...
【PyTorch】PyTorch之Random模块
最新发布
weixin_44984705的博客
01-19 1944
介绍pytorch中的random模块。
torch.empty()和torch.Tensor.random_()的使用举例
敲代码的小风
12-26 7603
参考链接: torch.empty(*size, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False, pin_memory=False) → Tensor 参考链接: random_(from=0, to=None, *, generator=None) → Tensor 代码实验展示: Microsoft Windows [版本 10.0.18363.1256] (c) 2019 Microsoft
Pytorch学习
大数据、机器学习、模式识别、数据挖掘、智慧医疗的博客
09-11 699
pytorch学习与理解
pytorch中进行深度学习的权重初始化策略
weixin_38410551的博客
03-15 2193
目的：降低梯度消失和梯度爆炸的可能性。 方法：每一层权重输出的均值为1，方差一致。 权重初始化与每一层的节点个数有关，节点个数越多，每一层的权重参数越小。 参考链接： https://blog.csdn.net/Harpoon_fly/article/details/85227677 ...
从零实现深度学习框架——几种常用的权重初始化方法
日积月累，天道酬勤
04-21 2429
近两万字详细解释Xavier初始化和He初始化的由来，并有详尽的推理证明！
pytorch中的所有随机数（random库）（normal、rand、randn、randint、randperm) 以及 随机数种子(seed、manual_seed、initial_seed)
jiongta9473的博客
11-01 1万+
torch的所有随机数官方已经整理在torch — PyTorch 1.10.0 documentation这个页面了，我又重新整理到了本blog中，用中文进行了部分解释，方便理解。 一、常用的 1、torch.normal()离散正态分布 返回一个张量，包含了从指定均值mean和标准差std的离散正态分布中抽取的一组随机数。 ①第一种形式 torch.normal(mean, std, generator=None, out=None) → Tensor mean(Tensor) – ...
TORCH.EMPTY
qq_41289353的博客
02-06 751
torch.empty — PyTorch 1.10 documentationhttps://pytorch.org/docs/stable/generated/torch.empty.html#torch-empty torch.empty(*size, *, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False, pin_memory=False.
pytorch torch.empty()函数（返回填充有未初始化数据的张量。 张量的形状由可变的参数大小定义）
Dontla的博客
03-05 2万+
from https://pytorch.org/docs/1.1.0/torch.html#torch.empty torch.empty(*sizes, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False, pin_memory=False) → Tensor Returns a tens...
Torch.empty
Elvira521yan的博客
07-05 2595
torch.empty(*size, *, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False, pin_memory=False, memory_format=torch.contiguous_format) → Tensor 返回：一个填满未初始化数据的张量（张量的形状是由变量参数size定义的） 参数： size (int...) - 整数序列，其定义了输出张量的形状；可以是一个可..
pytorch里cat、stack、unsqueeze、squeeze、自带网络自适应输入大小方法、初始化一个输入获取最后一层特征向量的维度大小,empty、random_初始化Tensor。
yangdeshun888的博客
01-04 2939
1、其中cat是用于拼接矩阵数据： 参考：pytorch中的cat、stack、tranpose、permute、unsqeeze #把数据1跟数据2进行按行拼接，其中0，表示按行，如果1则表示按列 outputssum = torch.cat((outputs1, outputs2), 0) outputssum = torch.cat((outputssum, outputs3), 0)...
torch.empty()
qq_43391414的博客
04-03 966
import torch target = torch.empty(3, dtype=torch.long) target 结果如下： 作用： Returns a tensor filled with uninitialized data. 即，返回指定维度的，未经初始化的数组。一定程度上和随机数差不多。
Numpy —— （2）随机数np.random
一抹烟霞的博客
06-11 253
文章目录一、创建随机ndarray数组二、随机打乱ndarray数组顺序三、随机选取元素打赏 主要介绍创建ndarray随机数组以及随机打乱顺序、随机选取元素等相关操作的方法。 一、创建随机ndarray数组 创建随机ndarray数组主要包含设置随机种子、均匀分布和正态分布三部分内容，具体代码如下所示。 设置随机数种子 # 可以多次运行，观察程序输出结果是否一致 # 如果不设置随机数种子，观察多次运行输出结果是否一致 np.random.seed(10) a = np.random.rand(3, 3
python3 random和numpy.random（2）
Songsong
10-31 1763
random函数是python中封装好的函数，作为随机生成一些数必不可少的函数 1、random.random()表示在[0,1)区间随机生成一个随机浮点数，所传递的函数不接受参数，即函数没有参数可传 2、random.randint(m,n)接受两个参数，表示在[m,n]区间随机生成一个整数 3、random.randrange(m=0,n,step=1)接受3个参数，表示在[m,n)区间，...
Python模块2：random
graysu的博客
05-09 645
在理论3讲过，单独贴出方便自己查阅。 random模块在机器学习初始化中是一个很重要且有用的模块，在这里介绍一 下。 语法就是import random 下面是常见的几种函数： 1.random.random 随机生成[0.1)的浮点数 import random print(random.random()) #运行结果：0.4041810247152263 2.random.uniform ...
python正弦函数拟合_使用 pytorch 创建神经网络拟合sin函数的实现
06-10
好的，关于您的问题，这是一个使用 PyTorch 创建神经网络拟合 sin 函数的实现示例： ``` import torch import torch.nn as nn import numpy as np import matplotlib.pyplot as plt # 生成数据 x = np.linspace(-np.pi, np.pi, 2000) y = np.sin(x) # 将数据转换为张量 x_tensor = torch.tensor(x, dtype=torch.float).unsqueeze(dim=1) y_tensor = torch.tensor(y, dtype=torch.float).unsqueeze(dim=1) # 定义神经网络模型 class Net(nn.Module): def __init__(self): super(Net, self).__init__() self.hidden_layer = nn.Linear(1, 10) self.output_layer = nn.Linear(10, 1) def forward(self, x): x = self.hidden_layer(x) x = torch.tanh(x) x = self.output_layer(x) return x # 定义损失函数和优化器 net = Net() criterion = nn.MSELoss() optimizer = torch.optim.SGD(net.parameters(), lr=0.2) # 训练模型 for epoch in range(2000): y_pred = net(x_tensor) loss = criterion(y_pred, y_tensor) optimizer.zero_grad() loss.backward() optimizer.step() if epoch % 100 == 0: print('Epoch [{}/{}], Loss: {:.4f}'.format(epoch+1, 2000, loss.item())) # 绘制拟合曲线 y_pred = net(x_tensor).detach().numpy() plt.plot(x, y, label='ground truth') plt.plot(x, y_pred, label='prediction') plt.legend() plt.show() ``` 运行代码后会输出每 100 次迭代后的损失值，最后会绘制出拟合的 sin 函数曲线。您可以根据需要进行修改和调整，例如改变网络结构、调整学习率等。
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