espace lin dans PyTorch

Achetez-moi un café☕

*Mémos :

• Mon message explique arange().
• Mon message explique logspace().

linspace() peut créer le tenseur 1D de zéro ou plusieurs entiers, nombres à virgule flottante ou nombres complexes uniformément espacés entre le début et la fin (start<=x<=end) comme indiqué ci-dessous :

*Mémos :

• linspace() peut être utilisé avec une torche mais pas avec un tenseur.
• Le 1er argument avec torch est start(Required-Type:int, float, complexe ou bool). *Le tenseur 0D de int, float, complexe ou bool fonctionne également.
• Le 2ème argument avec torch est end(Required-Type:int, float, complexe ou bool). *Le tenseur 0D de int, float, complexe ou bool fonctionne également.
• Le 3ème argument avec torch est steps(Required-Type:int) : *Mémos :
  • Il doit être supérieur ou égal à 0.
  • Le tenseur 0D de int fonctionne également.
• Il existe un argument dtype avec torch(Optional-Default:None-Type:dtype) : *Mémos :
  • Si c'est Aucun, c'est déduit du début, de la fin ou de l'étape, alors pour les nombres à virgule flottante, get_default_dtype() est utilisé. *Mon message explique get_default_dtype() et set_default_dtype().
  • Définir le début et la fin du type entier ne suffit pas pour créer le tenseur 1D de type entier, donc le type entier avec dtype doit être défini.
  • dtype= doit être utilisé.
  • Mon message explique l'argument dtype.
• Il existe un argument de périphérique avec torch(Optional-Default:None-Type:str, int ou device()) : *Mémos :
  • Si c'est Aucun, get_default_device() est utilisé. *Mon message explique get_default_device() et set_default_device().
  • device= doit être utilisé.
  • Mon message explique l'argument de l'appareil.
• Il existe un argument require_grad avec torch(Optional-Default:False-Type:bool) : *Mémos :
  • require_grad= doit être utilisé.
  • Mon message explique l'argument require_grad.
• Il y a un argument avec torch(Optional-Default:None-Type:tensor) : *Mémos :
  • out= doit être utilisé.
  • Mon message explique notre argument.

import torch

torch.linspace(start=10, end=20, steps=0)
torch.linspace(start=20, end=10, steps=0)
# tensor([])

torch.linspace(start=10., end=20., steps=1)
tensor([10.])

torch.linspace(start=20, end=10, steps=1)
# tensor([20.])

torch.linspace(start=10., end=20., steps=2)
# tensor([10., 20.])

torch.linspace(start=20, end=10, steps=2)
# tensor([20., 10.])

torch.linspace(start=10., end=20., steps=3)
# tensor([10., 15., 20.])

torch.linspace(start=20, end=10, steps=3)
# tensor([20., 15., 10.])

torch.linspace(start=10., end=20., steps=4)
# tensor([10.0000, 13.3333, 16.6667, 20.0000])

torch.linspace(start=20., end=10., steps=4)
# tensor([20.0000, 16.6667, 13.3333, 10.0000])

torch.linspace(start=10, end=20, steps=4, dtype=torch.int64)
torch.linspace(start=torch.tensor(10),
               end=torch.tensor(20),
               steps=torch.tensor(4),
               dtype=torch.int64)
# tensor([10.0000, 13.3333, 16.6667, 20.0000])

torch.linspace(start=10.+6.j, end=20.+3.j, steps=4)
torch.linspace(start=torch.tensor(10.+6.j),
               end=torch.tensor(20.+3.j),
               steps=torch.tensor(4))
# tensor([10.0000+6.j, 13.3333+5.j, 16.6667+4.j, 20.0000+3.j])

torch.linspace(start=False, end=True, steps=4)
torch.linspace(start=torch.tensor(True),
               end=torch.tensor(False),
               steps=torch.tensor(4))
# tensor([0.0000, 0.3333, 0.6667, 1.0000])

torch.linspace(start=10, end=20, steps=4, dtype=torch.int64)
torch.linspace(start=torch.tensor(10),
               end=torch.tensor(20),
               steps=torch.tensor(4), dtype=torch.int64)
# tensor([10.0000, 13.3333, 16.6667, 20.0000])

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!