arange dalam PyTorch

Beli Saya Kopi☕

*Memo:

• Siaran saya menerangkan linspace().
• Siaran saya menerangkan ruang log().

arange() boleh mencipta tensor 1D sifar atau integer atau nombor titik terapung antara permulaan dan akhir-1(mula<=x<=akhir-1) seperti ditunjukkan di bawah:

*Memo:

• arange() boleh digunakan dengan obor tetapi tidak dengan tensor.
• Argumen pertama dengan obor ialah mula(Pilihan-Lalai:0-Jenis:int, float, kompleks atau bool): *Memo
  • Ia mestilah lebih rendah daripada atau sama dengan hujung.
  • Tensor 0D int, apungan, kompleks atau bool juga berfungsi.
• Argumen ke-2 dengan obor adalah tamat(Required-Type:int, float, complex atau bool): *Memo:
  • Ia mestilah lebih besar daripada atau sama dengan permulaan.
  • Tensor 0D int, apungan, kompleks atau bool juga berfungsi.
• Argumen ke-3 dengan obor ialah langkah(Pilihan-Lalai:1-Jenis:int, float, kompleks atau bool): *Memo:
  • Ia mestilah lebih besar daripada 0.
  • Tensor 0D int, apungan, kompleks atau bool juga berfungsi.
• Terdapat hujah dtype dengan obor(Optional-Default:None-Type:dtype): *Memo:
  • Jika Tiada, ia disimpulkan dari mula, akhir atau langkah, kemudian untuk nombor titik terapung, get_default_dtype() digunakan. *Siaran saya menerangkan get_default_dtype() dan set_default_dtype().
  • dtype= mesti digunakan.
  • Siaran saya menerangkan hujah dtype.
• Terdapat hujah peranti dengan obor(Optional-Default:None-Type:str, int or device()): *Memo:
  • Jika Tiada, get_default_device() digunakan. *Siaran saya menerangkan get_default_device() dan set_default_device().
  • peranti= mesti digunakan.
  • Siaran saya menerangkan hujah peranti.
• Terdapat hujah require_grad dengan obor(Optional-Default:False-Type:bool): *Memo:
  • require_grad= mesti digunakan.
  • Siaran saya menerangkan hujah require_grad.
• Terdapat hujah dengan obor(Pilihan-Lalai:Tiada-Jenis:tensor): *Memo:
  • out= mesti digunakan.
  • Siaran saya menerangkan hujah.
• Terdapat julat() yang serupa dengan arange() tetapi julat() tidak digunakan lagi.

import torch

torch.arange(end=5)
# tensor([0, 1, 2, 3, 4])

torch.arange(start=5, end=15)
# tensor([5, 6, 7, 8, 9, 10, 11, 12, 13, 14])

torch.arange(start=5, end=15, step=3)
# tensor([5, 8, 11, 14])

torch.arange(start=-5, end=5)
# tensor([-5, -4, -3, -2, -1, 0, 1, 2, 3, 4])

torch.arange(start=-5, end=5, step=3)
torch.arange(start=torch.tensor(-5),
             end=torch.tensor(5),
             step=torch.tensor(3))
# tensor([-5, -2, 1, 4])

torch.arange(start=-5., end=5., step=3.)
torch.arange(start=torch.tensor(-5.),
             end=torch.tensor(5.),
             step=torch.tensor(3.))
# tensor([-5., -2., 1., 4.])

torch.arange(start=-5.+0.j, end=5.+0.j, step=3.+0.j)
torch.arange(start=torch.tensor(-5.+0.j),
             end=torch.tensor(5.+0.j),
             step=torch.tensor(3.+0.j))
# tensor([-5., -2., 1., 4.])

torch.arange(start=False, end=True, step=True)
torch.arange(start=torch.tensor(False),
             end=torch.tensor(True),
             step=torch.tensor(True))
# tensor([0])

Atas ialah kandungan terperinci arange dalam PyTorch. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!