快捷導(dǎo)航

PyTorch中Torch.arange函數(shù)詳解

更新時(shí)間：2023年02月03日 14:39:27 作者：_湘江夜話(huà)_

PyTorch是由Facebook開(kāi)發(fā)的開(kāi)源機(jī)器學(xué)習(xí)庫(kù),它用于深度神經(jīng)網(wǎng)絡(luò)和自然語(yǔ)言處理,下面這篇文章主要給大家介紹了關(guān)于PyTorch中Torch.arange函數(shù)詳解的相關(guān)資料,需要的朋友可以參考下

torch.arange函數(shù)詳解

官方文檔：torch.arange

函數(shù)原型

arange(start=0, end, step=1, *, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False) -> Tensor

用法

返回大小為的一維張量，其值介于區(qū)間為步長(zhǎng)等間隔取值

參數(shù)說(shuō)明

參數(shù)	類(lèi)型	說(shuō)明
start	`Number`	起始值，默認(rèn)值：`0`
end	`Number`	結(jié)束值
step	`Number`	步長(zhǎng)，默認(rèn)值：`1`

關(guān)鍵字參數(shù)

關(guān)鍵字參數(shù)	類(lèi)型	說(shuō)明
out	`Tensor`	輸出張量
dtype	`torch.dtype`	期望的返回張量的數(shù)據(jù)類(lèi)型。默認(rèn)值：如果是`None`，則使用全局默認(rèn)值。如果未給出 dtype，則從其他輸入?yún)?shù)推斷數(shù)據(jù)類(lèi)型。如果 start、end 或 stop 中的任何一個(gè)是浮點(diǎn)數(shù)，則 `dtype`被推斷為默認(rèn)值，參見(jiàn) get_default_dtype()。否則，dtype 被推斷為 `torch.int64`
layout	`torch.layout`	返回張量的期望 layout。默認(rèn)值：`torch.strided`
device	`torch.device`	返回張量的期望設(shè)備。默認(rèn)值：如果是`None`，則使用當(dāng)前設(shè)備作為默認(rèn)張量類(lèi)型，參見(jiàn)torch.set_default_tensor_type()。對(duì)于 CPU 類(lèi)型的張量，則 `device` 是 CPU ，若是 CUDA 類(lèi)型的張量，則 `device` 是當(dāng)前的 CUDA 設(shè)備
requires_grad	`bool`	autograd 是否記錄返回張量上所作的操作。默認(rèn)值：`False`

代碼示例

    >>> torch.arange(5)  # 默認(rèn)以 0 為起點(diǎn)
    tensor([ 0,  1,  2,  3,  4])
    >>> torch.arange(1, 4)  # 默認(rèn)間隔為 1
    tensor([ 1,  2,  3])
    >>> torch.arange(1, 2.5, 0.5)  # 指定間隔 0.5
    tensor([ 1.0000,  1.5000,  2.0000])

pyTorch中torch.range()和torch.arange()的區(qū)別

torch.range()和torch.arange()的區(qū)別

x = torch.range(-8, 8)
y = torch.arange(-8, 8)
print(x, x.dtype)
print(y, y.dtype)

output：

tensor([-8., -7., -6., -5., -4., -3., -2., -1., 0., 1., 2., 3., 4., 5.,6., 7., 8.]) torch.float32
tensor([-8, -7, -6, -5, -4, -3, -2, -1, 0, 1, 2, 3, 4, 5, 6, 7]) torch.int64

可以看到，torch.range()的范圍是[-8, 8]，類(lèi)型為torch.float32

torch.arange()的范圍是[-8, 8)，類(lèi)型為torch.int64

在梯度設(shè)置時(shí)會(huì)出現(xiàn)錯(cuò)誤：

x = torch.range(-8, 8, 1, requires_grad=True)
y = torch.arange(-8, 8, 1, requires_grad=True)
print(x, x.dtype)
print(y, y.dtype)

即只有當(dāng)類(lèi)型為float時(shí)才可設(shè)置requires_grad=True，故可將

y = torch.arange(-8, 8, 1, requires_grad=True)

改為以下，即手動(dòng)改變數(shù)據(jù)類(lèi)型即可。

y = torch.arange(-8.0, 8.0, 1.0, requires_grad=True)

output：
tensor([-8., -7., -6., -5., -4., -3., -2., -1., 0., 1., 2., 3., 4., 5.,6., 7., 8.], requires_grad=True)
torch.float32
tensor([-8., -7., -6., -5., -4., -3., -2., -1., 0., 1., 2., 3., 4., 5.,6., 7.], requires_grad=True)
torch.float32