Torch.randn：多方位全面解析

一、torch.randn函數

torch.randn函數是PyTorch中常用的函數之一，用於生成正態分布隨機數的張量。函數的返回值是由輸入大小決定的張量，其中的元素服從均值為0，方差為1的正態分布。這個函數可以根據需要看作是從均值為0，方差為1的正態分布中隨機抽取一些值來填充張量的元素。

二、torch.randn是什麼意思

在PyTorch中，randn函數是生成正態分布隨機數的一個常用函數，也是很多使用PyTorch進行深度學習任務的程序員最為熟悉的函數之一。它可以用來生成之後需要用到的張量，是神經網路中的一個重要的元素。

三、torch.randn()參數

torch.randn()函數的參數有兩個，第一個是dsize或者size參數，表示返回的隨機數的張量的大小。第二個是dtype參數，表示返回的隨機數的張量中的元素的數據類型。

import torch

# 生成一個大小為(3 * 4 * 5)的3D張量
x = torch.randn(3, 4, 5)

print(x.size())  # 輸出 "torch.Size([3, 4, 5])"

四、torch.randn().cuda

如果在使用PyTorch進行深度學習的時候需要使用GPU加速，那麼可以使用cuda函數將生成的隨機數張量轉移到GPU上執行。

# 生成一個大小為(3 * 4 * 5)的3D張量並且將其轉移到GPU上執行
x = torch.randn(3, 4, 5).cuda()

print(x)

五、torch.randn_like函數

torch.randn_like(x)是生成一個與張量x大小相同的張量，其元素服從均值為0，方差為1的正態分布隨機抽樣。

import torch

# 生成兩個大小相同的張量y和z
y = torch.randn(3, 4, 5)
z = torch.randn_like(y)

print("y: ", y)
print("z: ", z)

六、torch.randn()三個參數

torch.randn()也可以有三個參數。第三個參數是一個包含了張量數據類型的元組，用來指定生成的隨機數的張量元素的數據類型。

import torch

# 生成一個大小為(3 * 4 * 5)的3D張量，元素類型為int
x = torch.randn(3, 4, 5, dtype=torch.int)

print(x)

七、torch.randn和torch.rand區別

torch.randn和torch.rand兩個函數都可以生成隨機數。torch.rand生成的是0到1之間的均勻分布隨機數，而torch.randn生成的是均值為0，方差為1的正態分布隨機數。

八、torch.randn參數

torch.randn()函數的參數有兩個，第一個是dsize或者size參數，表示返回的隨機數的張量的大小。第二個是dtype參數，表示返回的隨機數的張量中的元素的數據類型。

import torch

# 使用dsize參數生成一個大小為(3 * 4 * 5)的3D張量
x = torch.randn((3, 4, 5))

print(x.size())  # 輸出 "torch.Size([3, 4, 5])"

九、torch.randn函數實現過程

torch.randn()函數利用Python的random庫和numpy庫中的正態分布隨機數生成函數來生成滿足均值為0，方差為1的正態分布隨機數。隨機數的排列方式和輸出的張量的大小有關。

import numpy as np
import random

# 使用Python的random庫中的gauss函數和numpy庫中的reshape函數模擬生成一個(2 * 3)的張量
x = np.reshape([random.gauss(0, 1) for i in range(6)], [2, 3])

print(x)

十、torch.randn指定數據範圍

在使用torch.randn()生成正態分布隨機數時，可以利用張量的運算規則，對生成的隨機數進行變換，並且將輸出的隨機數限定在一個特定的範圍內。

import torch

# 使用mask將大於0的隨機數置0
data = torch.randn(3, 4)
mask = data > 0
output = torch.zeros_like(data)
output[mask] = data[mask]

print(output)