1 torch.rand：構造均勻分布張量

torch.rand是用于生成均勻隨機分布張量的函數，從區間[0,1)的均勻分布中隨機抽取一個隨機數生成一個張量，其調用方法如下所示：

torch.rand(sizes, out=None) ?? Tensor

參數：

• sizes：用于定義輸出張量的形狀

示例代碼：

import torch# 生成一個每個元素服從0-1均勻分布的4行3列隨機張量
random_tensor = torch.rand(4, 3)
print('tensor:', random_tensor)
print('type:', random_tensor.type())
print('shape:', random_tensor.shape)

運行代碼顯示：

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])

2 torch.randn：構造標準正態分布張量

torch.randn()是用于生成正態隨機分布張量的函數，從標準正態分布中隨機抽取一個隨機數生成一個張量，其調用方法如下所示：

torch.randn(sizes, out=None) ?? Tensor

參數：

• sizes：用于定義輸出張量的形狀

示例代碼：

import torch# 生成一個每個元素均為標準正態分布的4行3列隨機張量
random_tensor = torch.randn(4, 3)
print('tensor:', random_tensor)
print('type:', random_tensor.type())
print('shape:', random_tensor.shape)

運行代碼顯示：

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])

3?torch.randn_like：構造與輸入形狀相同正態分布張量

torch.randn_like()用于生成一個與輸入張量大小相同的張量，其中填充了均值為 0 方差為 1 的正態分布的隨機值，其調用方法如下所示：

torch.randn_like(input_tensor, dtype=None, layout=None, device=None, requires_grad=False) ?? Tensor

參數：

• input_tensor（必需）- 其大小將用于生成輸出張量的輸入張量。

• dtype（可選）- 輸出張量所需的數據類型。默認為None，這意味著將使用輸入張量的數據類型。

• layout（可選）- 輸出張量所需的內存布局。默認為None，這意味著將使用輸入張量的內存布局。

• device（可選）- 輸出張量所需的設備。默認為None，這意味著將使用輸入張量的設備。

• requires_grad（可選）- 輸出張量是否應該在反向傳播期間計算其梯度。默認為False。

示例代碼：

import torch# 生成一個每個元素均為標準正態分布的4行3列隨機張量
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)

運行代碼顯示：

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])

4 torch.randint：構造區間分布張量

torch.randint()是用于生成任意區間分布張量的函數，從標準正態分布中隨機抽取一個隨機數生成一個張量，其調用方法如下所示：

torch.randint(low=0, high, sizes, out=None) ?? Tensor

參數：

• low~high：隨機數的區間范圍

• sizes：用于定義輸出張量的形狀

示例代碼：

import torch# 生成一個每個元素均為[1-10]均勻分布的4行3列隨機張量
tensor_int = torch.randint(1, 10, (4, 3))
print('tensor_int:', tensor_int)
print('type:', tensor_int.type())
print('shape:', tensor_int.shape)

運行代碼顯示：

tensor_int: tensor([[1, 7, 1],[3, 8, 7],[5, 2, 1],[5, 3, 6]])
type: torch.LongTensor
shape: torch.Size([4, 3])

5?torch.randperm：根據生成的隨機序號對張量進行隨機排序

torch.randint()是用于對張量序號進行隨機排序的函數，根據生成的隨機序列進行隨機排序，其調用格式如下所示：

torch.randperm(n, out=None, dtype=torch.int64) ?? LongTensor

參數：

• n：一個整數，可以理解為張量某個方向的維度

• dtype：返回的數據類型（torch.int64）

示例代碼：

import torch# 生成一個0~3的隨機整數排序
idx = torch.randperm(4)# 生成一個4行3列的張量
tensor_4 = torch.Tensor(4, 3)# 為了方便對比，首先輸出tensor_4的結果
print("原始張量\n", tensor_4)# 下面輸出隨機生成的行序號
print("\n生成的隨機序號\n", idx)# 下面的指令實現了在行的方向上，對tensor_4進行隨機排序，并輸出結果
print("\n隨機排序后的張量\n", tensor_4[idx])

運行代碼顯示：

原始張量tensor([[0., 0., 0.],[0., 0., 0.],[0., 0., 0.],[0., 0., 0.]])生成的隨機序號tensor([3, 0, 2, 1])隨機排序后的張量tensor([[0., 0., 0.],[0., 0., 0.],[0., 0., 0.],[0., 0., 0.]])