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6.2k次。.xsa文件的生成Vivado工程建立你好! 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Markdown编辑器, 可以仔细阅读这篇文章,了解一下Markdown的基本语法知识。1.我们对Markdown编辑器进行了一些功能拓展与语法支持,除了标准的Markdown编辑器功能,我们增加了如下几点新功能,帮助你用它写博客:全新的界面设计 ,将会带来全新的写作体验;在创作中心设置你喜爱的代码高亮样式,Markdown 将代码片显示选择的高亮样式 进行展示;增加_.xsa
文章浏览阅读475次。一、HTMLParser.net是什么?HTMLParser.net是HtmlParser的JAVA版本的dot net版本。二、HTMLParser可以用来做什么?HtmlParser是用来改造或者提取HTML,通过HtmlParser可以高速,快捷的从Html页面中分离出你想要的内容。三、HTMLParser的核心模块是org.htmlparser.Parser类,这个类实际完成了对于HTML_htmlparser.net
文章浏览阅读1.3w次,点赞6次,收藏48次。1. 简介QEMU(quick emulator)是一款由法布里斯·贝拉(Fabrice Bellard)等人编写的免费的可执行硬件虚拟化的(hardware virtualization)开源托管虚拟机(VMM)。QEMU 是一个托管的虚拟机镜像,它通过动态的二进制转换,模拟CPU,并且提供一组设备模型,使它能够运行多种未修改的客户机OS,可以通过与KVM一起使用进而接近本地速度运行虚拟机(接近真实电脑的速度)。QEMU还可以为user-level的进程执行CPU仿真,进而允许了为一种架构编译的程序_qemu
文章浏览阅读1.4w次,点赞14次,收藏78次。软件:Visual C++版本:6.0语言:简体中文大小:34.26M安装环境:Win11/Win10/Win8/Win7硬件要求:[email protected] 内存@4G(或更高)下载通道①百度网盘丨下载链接:提取码:dg2n[更多软件]:点击进入管家「软件目录」!_visual c++安装教程
文章浏览阅读2.7w次,点赞2次,收藏8次。新路由3 newifi3 d2 高恪魔改固件,请在breed中先刷入底包,然后启动路由器进入底包系统后,再在底包系统里面网页web升级固件,选择魔改进行升级,切记必须这样操作。压缩包包含了底包和固件解压密码 123下载地址:https://u13909188.pipipan.com/fs/13909188-384246318..._新路由3高恪5.0nat1
文章浏览阅读298次。导读:我们生活在一个嘈杂、混乱的世界中。生活中,我们有很多“权威”和“专家”,他们标榜自己是内行人,宣称自己掌握着该领域的真理,而我们需要做的只有两个字——接受。但事实上..._唯快不破的人为什么定
文章浏览阅读7.6k次,点赞2次,收藏9次。Instrumentation是一种直接修改程序二进制文件的方法。其可以用于程序的调试,优化,安全等等。对这个词一般的翻译是“插桩”,但这更多使用于软件测试领域。【找一些相关的例子】Dyninst可以动态或静态的修改程序的二进制代码。动态修改是在目标进程运行时插入代码(dynamic binary instrumentation)。静态修改则是直接向二进制文件插入代码(static b_dyninst
文章浏览阅读2.9k次。部署asp网站到云服务器 内容精选换一换通常情况下,需要结合客户的实际业务环境和具体需求进行业务改造评估,建议您进行服务咨询。这里仅描述一些通用的策略供您参考,主要分如下几方面进行考虑:业务迁移不管您的业务是否已经上线华为云,业务迁移的策略是一致的。建议您将时延敏感型,有快速批量就近部署需求的业务迁移至IEC;保留数据量大,且需要长期稳定运行的业务在中心云上。迁移方法请参见如何计算隔离独享计算资源..._nas asp网站
文章浏览阅读4.7k次。/** 方法一 * 将bitmap转为数组的方法 * * @param bitmap 图片 * @return 返回数组 */ public byte[] getBytesByBitmap(Bitmap bitmap) { ByteBuffer buffer = ByteBuffer.allocate(bitmap.ge..._bitmap转数组
文章浏览阅读6.6k次,点赞2次,收藏6次。IDEA修改SVN地址 SVN地址改变了,在IDEA上的项目地址还没有修改 第一步:选中项目,右键Subversion --> Relocate第二步:From URL路径保持不变(修改To URL为最新路径)第三步:选中项目,右键Subversion --> Update Directory第四步:勾选Update修改URL为最新的即可SVN地址改变了,在IDEA上的项目地址还没有修改_idea修改svn地址
文章浏览阅读3.8k次。欧拉图及欧拉路径欧拉图 如果图G上有一条经过所有顶点、所有边的闭路径(边不重复,顶点可以重复)充分必要条件 无向图:G连通,所有顶点的度都是偶数有向图:G弱连通,每个顶点出度与入度相等欧拉路径 如果图G上有一条经过所有顶点、所有边的路径(边不重复,顶点可以重复)充分必要条件 无向图:G连通,恰有两个顶点的度是奇数有向图:G连通,恰有两个顶点的出度与入度不相等,其中一个出度比入度多_哈密顿通路度为偶数
文章浏览阅读68次。两个命令:svn info :显示版本库信息,svn的下载url等。svn co https://xxxxx/xxx wodemulu (通过我的目录制定co的文件夹)svn st:显示修改的文件。=-=========================================第一章 安装1. 采用源文件编译安装。源文件共两个(可下载完传入linux),为:s..._can't lunch modelsim make sure