技术标签: 随机分布 深度学习 pytorch 人工智能 深度学习之pytorch
torch.rand
是用于生成均匀随机分布张量的函数,从区间[0,1)
的均匀分布中随机抽取一个随机数生成一个张量,其调用方法如下所示:
torch.rand(sizes, out=None) ️ Tensor
参数:
sizes
:用于定义输出张量的形状
示例代码:
import torch
# 生成一个每个元素服从0-1均匀分布的4行3列随机张量
random_tensor = torch.rand(4, 3)
print('tensor:', random_tensor)
print('type:', random_tensor.type())
print('shape:', random_tensor.shape)
运行代码显示:
tensor: tensor([[0.4349, 0.8567, 0.7321],
[0.4057, 0.0222, 0.3444],
[0.9679, 0.0980, 0.8152],
[0.1998, 0.7888, 0.5478]])
type: torch.FloatTensor
shape: torch.Size([4, 3])
torch.randn()
是用于生成正态随机分布张量的函数,从标准正态分布中随机抽取一个随机数生成一个张量,其调用方法如下所示:
torch.randn(sizes, out=None) ️ Tensor
参数:
sizes
:用于定义输出张量的形状
示例代码:
import torch
# 生成一个每个元素均为标准正态分布的4行3列随机张量
random_tensor = torch.randn(4, 3)
print('tensor:', random_tensor)
print('type:', random_tensor.type())
print('shape:', random_tensor.shape)
运行代码显示:
tensor: tensor([[ 0.7776, 0.6305, 0.1961],
[ 0.1831, -0.4187, 0.1245],
[ 0.3092, -1.0463, -0.6656],
[-1.0098, 1.3861, -0.2600]])
type: torch.FloatTensor
shape: torch.Size([4, 3])
torch.randn_like()用于生成一个与输入张量大小相同的张量,其中填充了均值为 0 方差为 1 的正态分布的随机值,其调用方法如下所示:
torch.randn_like(input_tensor, dtype=None, layout=None, device=None, requires_grad=False) ️ Tensor
参数:
input_tensor(必需)- 其大小将用于生成输出张量的输入张量。
dtype(可选)- 输出张量所需的数据类型。默认为None,这意味着将使用输入张量的数据类型。
layout(可选)- 输出张量所需的内存布局。默认为None,这意味着将使用输入张量的内存布局。
device(可选)- 输出张量所需的设备。默认为None,这意味着将使用输入张量的设备。
requires_grad(可选)- 输出张量是否应该在反向传播期间计算其梯度。默认为False。
示例代码:
import torch
# 生成一个每个元素均为标准正态分布的4行3列随机张量
tensor_x = torch.randn(4, 3)
tensor_y = torch.randn_like(tensor_x)
print('tensor_x:', tensor_x)
print('type:', tensor_x.type())
print('shape:', tensor_x.shape)
print('tensor_y:', tensor_y)
print('type:', tensor_y.type())
print('shape:', tensor_y.shape)
运行代码显示:
tensor_x: tensor([[ 5.5292e-01, 6.5111e-01, -6.0329e-04],
[ 1.0402e+00, -7.4630e-01, 7.5701e-01],
[ 8.8160e-02, -1.2581e+00, -1.8089e-01],
[-4.2769e-01, -8.5043e-01, -5.8388e-01]])
type: torch.FloatTensor
shape: torch.Size([4, 3])
tensor_y: tensor([[ 0.2308, 0.3297, -0.6633],
[ 1.7389, 0.6372, -1.1069],
[-0.2415, -0.8585, 0.3343],
[-1.2581, -0.5001, 0.0317]])
type: torch.FloatTensor
shape: torch.Size([4, 3])
torch.randint()
是用于生成任意区间分布张量的函数,从标准正态分布中随机抽取一个随机数生成一个张量,其调用方法如下所示:
torch.randint(low=0, high, sizes, out=None) ️ Tensor
参数:
low
~high
:随机数的区间范围
sizes
:用于定义输出张量的形状
示例代码:
import torch
# 生成一个每个元素均为[1-10]均匀分布的4行3列随机张量
tensor_int = torch.randint(1, 10, (4, 3))
print('tensor_int:', tensor_int)
print('type:', tensor_int.type())
print('shape:', tensor_int.shape)
运行代码显示:
tensor_int: tensor([[1, 7, 1],
[3, 8, 7],
[5, 2, 1],
[5, 3, 6]])
type: torch.LongTensor
shape: torch.Size([4, 3])
torch.randint()
是用于对张量序号进行随机排序的函数,根据生成的随机序列进行随机排序,其调用格式如下所示:
torch.randperm(n, out=None, dtype=torch.int64) ️ LongTensor
参数:
n
:一个整数,可以理解为张量某个方向的维度
dtype
:返回的数据类型(torch.int64
)
示例代码:
import torch
# 生成一个0~3的随机整数排序
idx = torch.randperm(4)
# 生成一个4行3列的张量
tensor_4 = torch.Tensor(4, 3)
# 为了方便对比,首先输出tensor_4的结果
print("原始张量\n", tensor_4)
# 下面输出随机生成的行序号
print("\n生成的随机序号\n", idx)
# 下面的指令实现了在行的方向上,对tensor_4进行随机排序,并输出结果
print("\n随机排序后的张量\n", tensor_4[idx])
运行代码显示:
原始张量
tensor([[0., 0., 0.],
[0., 0., 0.],
[0., 0., 0.],
[0., 0., 0.]])
生成的随机序号
tensor([3, 0, 2, 1])
随机排序后的张量
tensor([[0., 0., 0.],
[0., 0., 0.],
[0., 0., 0.],
[0., 0., 0.]])
文章浏览阅读7.1k次,点赞3次,收藏24次。STM32是ARM Cortex-M内核单片机。目前提供10大产品线(F0, F1, F2, F3, F4, F7, H7, L0, L1,L4),超过700个型号。STM32产品广泛应用于工业控制、消费电子、物联网、通讯设备、医疗服务、安防监控等应用领域,其优异的性能进一步推动了生活和产业智能化的发展。截至2017年4月,STM32全球出货量超过24亿颗。主流型MCUSTM32F0系列 – ARM Cortex-M0入门级MCU意法半导体基于ARM Cortex-M0的STM32F0系列单片机实现了_stm32m和stm32h
文章浏览阅读165次。现在常用的依靠计算机模拟产生的伪随机数,或者从某些经典物理噪声(如热噪声,电噪声等)中提取随机数,实际上并不是正真正的随机数,因为从理论上讲,经典物理过程在考虑到所有变量的情况下是可以被模拟的。那么是否存在真正的随机数呢,随着量子力学的发展,通过量子系统产生随机数已经成为可能。_qekss
文章浏览阅读1k次。IDCardCamera项目地址:wildma/IDCardCamera 简介:Android 自定义相机实现身份证拍照,并加入自动对焦与图片不规则裁剪更多:作者 提 Bug 标签: README of English效果图..._glide裁剪身份证图片
文章浏览阅读5.1w次,点赞72次,收藏846次。毕业设计 :基于深度学习的人脸识别【全网最详细】 - opencv 卷积神经网络_基于深度神经网络的人脸识别
文章浏览阅读4.9w次,点赞144次,收藏926次。pip超详细教程,讲述了pip的安装与使用,以及解决了pip下载速度慢的问题_pip下载
文章浏览阅读3.8k次。主题建模是一个技术的集合,允许用户在大量数据中找到主题。当试图对这些文档的内容建模和执行EDA时,它将非常有利。不久前,我们介绍了一种名为BERTopic的主题建模技术,它利用了BERT嵌入和基于类的TF-IDF创建簇,允许轻松解释主题。不过,过了一会儿,开始考虑它在其他领域的应用,例如计算机视觉。如果我们能在图像上应用主题建模,那会有多酷?花了一段时间,但经过一些实验,..._图的主题模型
文章浏览阅读431次。自定义YUM仓库安装NGINXNGINX 官方站点获取仓库地址1、官方站点说明2、获取仓库地址自定义 YUM 仓库1、创建 repo 文件2、查看 repolist3、查看 nginx 信息安装 NGINX1、安装2、查看安装生成的文件nginx unit-fileNGINX 常用命令1、nginx -h2、nginx -VNGINX 官方站点获取仓库地址1、官方站点说明Website:h..._nginx repolist
文章浏览阅读433次。1.类package test10month.test1011;import java.util.Arrays;import java.util.List;import java.util.Map;/** * 功能描述: * @version 1.0 * @className ArrayListMap * @author: 罗德 * @create: 2020-10-11 21:53 */public class ArrayListMap { private String[]_arraylist通过xml配置
文章浏览阅读1.3w次。转载时请以超链接形式标明文章原始出处和作者信息及本声明http://amazingxiu.blogbus.com/logs/62781676.html 这几天闲来无事,在看如何安装RVDS4.0,也就是RealView Development Suite 4.0
文章浏览阅读921次。同样也是非常重要的,一个产品的市场竞争力如何,很大的因素是取决于它的成本,基于成本,从两个方面考虑,第一是选择制造工艺的时候,设计者需要尽量从优从简;综上,不难发现,设计工程师需要考虑的东西非常多,稍微严格的公司,他们可能会有几十道、上百条设计规则,如果不借助工具,全部人为把控,出错的几率是很高的。可制造性设计是基于并行设计的思想,在产品的设计阶段就综合考虑制造过程中的工艺要求、测试要求和组装的合理性,通过设计的手段来把控产品的成本、性能和质量。三个比较典型的分析项为开短路分析、布线分析、孔线距离分析。.._电子产品 可制造性 设计
文章浏览阅读549次。图片必须为Sprite格式脚本拖入到物体上可以直接使用using System.Collections;using System.Collections.Generic;using UnityEngine;using UnityEngine.UI;using UnityEngine.SceneManagement;public class StartAnimation : M..._u3dtimeline播放图片序列
文章浏览阅读1.6w次,点赞13次,收藏46次。前文已经介绍过,向量化的表示已经在人工智能的其他领域非常常见,例如在自然语言处理中,可以为句子中的每个词学习一个向量表示(Word Embedding),在图像视频中也可以为每个视觉对象学习一个向量表示。对于知识图谱,也可以为其中的每一个实体和关系学习一个向量表示,并利用向量、矩阵或张量之间的计算,实现高效的推理计算。_知识图谱如何实现向量化