torch.linspace,unsqueeze()以及squeeze()函数用法 / torch.randn和torch.rand的区别

1. torch.linspace(start,end,steps=100，dtype) <线性间距向量>

作用是返回一个一维的tensor(张量）,包含在区间start和end上均匀间隔的step个点，输出张量的长度由steps决定，其中dtype是返回的数据类型。

import torch
print(torch.linspace(-1,1,5))

输出结果为：tensor([-1.0000, -0.5000,  0.0000,  0.5000,  1.0000])

2. unsqueeze()函数

作用是在指定位置增加维度。

import torch
a=torch.arange(0,6)  #a是一维向量
b=a.reshape(2,3)     #b是二维向量
c=b.unsqueeze(1)     #c是三维向量，在b的第二维上增加一个维度
print(a)
print(b)    
print(c)
print(c.size())

输出结果为：
tensor([0, 1, 2, 3, 4, 5])
tensor([[0, 1, 2],
        [3, 4, 5]])
tensor([[[0, 1, 2]],
        [[3, 4, 5]]])
torch.Size([2, 1, 3])

a的维度为1x6
b的维度为2x3
c的维度为2x1x3

若想在倒数第二个维度增加一个维度，则c=b.unsqueeze(-1)

3. squeeze()函数

可去掉维度为1的维度。

import torch
a=torch.arange(0,6)  #a是一维向量
b=a.reshape(2,3)
c=b.unsqueeze(1)
print(c)
print(c.size())
d=c.squeeze(1)
print(d)
print(d.size())

输出结果为：
tensor([[[0, 1, 2]],
        [[3, 4, 5]]])
torch.Size([2, 1, 3])
tensor([[0, 1, 2],
        [3, 4, 5]])
torch.Size([2, 3])

4. torch.rand(*sizes, out=None) → Tensor

均匀分布

返回一个张量，包含了从区间[0, 1)的均匀分布中抽取的一组随机数。张量的形状由参数sizes定义。

• 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

import torch
e = torch.rand(2, 3) # 同rand((2, 3))
e1 = torch.rand(3)
print(e)
print(e.size())
print(e1)
print(e1.size())

输出结果为：
tensor([[0.5202, 0.3955, 0.7335],
        [0.2064, 0.7310, 0.0490]])
torch.Size([2, 3])
tensor([0.9491, 0.7499, 0.0585])
torch.Size([3])

5. torch.randn(*sizes, out=None) → Tensor

标准正态分布

返回一个张量，包含了从标准正态分布（均值为0，方差为1，即高斯白噪声）中抽取的一组随机数。张量的形状由参数sizes定义。

• 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

import torch
f = torch.randn(2, 3)
f1 = torch.randn(3)
print(f)
print(f.size())
print(f1)
print(f1.size())

输出结果为：
tensor([[-0.8658,  1.9324, -1.8821],
        [ 0.2715, -0.2389,  2.2982]])
torch.Size([2, 3])
tensor([-0.4860,  0.5520, -0.4666])
torch.Size([3])

6. torch.normal(means, std, out=None) → → Tensor

离散正态分布

返回一个张量，包含了从指定均值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

import torch
torch.normal(mean=0.5, std=torch.arange(1., 6.))

输出结果为：
tensor([ 0.2444,  0.5445, -0.5246, -1.5175, -0.7741])