在 PyTorch 中排列

请我喝杯咖啡☕

*备忘录：

• 我的帖子解释了 linspace()。
• 我的帖子解释了 logspace()。

arange() 可以在 start 和 end-1 之间创建零或整数或浮点数的一维张量（start

*备忘录：

• arange() 可以与 torch 一起使用，但不能与张量一起使用。
• torch 的第一个参数是 start（可选-默认：0-类型：int、float、complex 或 bool）： *备忘录
  • 它必须小于或等于end。
  • int、float、complex 或 bool 的 0D 张量也适用。
• torch 的第二个参数是 end（必需类型：int、float、complex 或 bool）： *备注：
  • 它必须大于或等于start。
  • int、float、complex 或 bool 的 0D 张量也适用。
• torch 的第三个参数是步骤（可选-默认：1-类型：int、float、complex 或 bool）： *备注：
  • 它必须大于0。
  • int、float、complex 或 bool 的 0D 张量也适用。
• torch 有 dtype 参数（可选-默认：无类型：dtype）： *备注：
  • 如果为None，则从start、end或step推断，然后对于浮点数，使用get_default_dtype()。 *我的帖子解释了 get_default_dtype() 和 set_default_dtype()。
  • 必须使用 dtype=。
  • 我的帖子解释了 dtype 参数。
• torch 有设备参数（可选-默认：无-类型：str、int 或 device()）： *备注：
  • 如果为 None，则使用 get_default_device()。 *我的帖子解释了 get_default_device() 和 set_default_device()。
  • 必须使用 device=。
  • 我的帖子解释了设备参数。
• torch 有 require_grad 参数（可选-默认：False-Type：bool）： *备注：
  • require_grad=必须使用。
  • 我的帖子解释了 require_grad 参数。
• torch 存在 out 参数（可选-默认：无-类型：张量）： *备注：
  • 必须使用 out=。
  • 我的帖子解释了论点。
• range() 与 arange() 类似，但 range() 已被弃用。

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])

以上是在 PyTorch 中排列的详细内容。更多信息请关注PHP中文网其他相关文章！