Pytorch生成Tensor常用方法汇总

最新推荐文章于 2025-07-13 14:24:57 发布

原创最新推荐文章于 2025-07-13 14:24:57 发布 · 9.7k 阅读

11 ·

CC 4.0 BY-SA版权

文章标签：

#pytorch #汇总 #Tensor

pytorch 专栏收录该内容

8 篇文章

订阅专栏

本文总结了PyTorch中生成Tensor的各种方法，包括均匀分布、标准正态分布、离散正态分布、线性间距向量、全0/1张量以及固定数值填充的Tensor创建。通过这些方法，可以方便地在PyTorch中生成不同分布和特性的随机数张量。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

知识整理，便于以后查找。
本文是对pytorch生成Tensor常用方法的小结

均匀分布

torch.rand(*sizes, out=None) → Tensor
返回一个张量，包含了从区间[0,1]的均匀分布中抽取的随机的一组随机数，张量形状有参数size定义。
参数：

size：张量形状

>>> import torch
>>> a = torch.rand((2,3))
>>> a
tensor([[0.2969, 0.8017, 0.9024],
        [0.0810, 0.2303, 0.7425]])

标准正态分布

torch.rand(*sizes, out=None)–>Tensor
返回一个张量，包含了从标准正态分布（均值为0，方差为1，即高斯白噪音）中抽取的一组随机数，张量形状由size定义

>>> b = torch.randn((3 ,2))
>>> b
tensor([[ 0.6700,  1.4233],
        [-2.0809,  0.5361],
        [-0.5831, -0.3056]])

离散正态分布

torch.normal(means, std, out=None)–> Tensor
返回张量，包含了指定均值means和标准差std的离散正态分布中抽取的一组随机数，标准差std是一个张量，包含了每个输出元素相关的正态分布标准差
参数:
means (float, optional) - 均值
std (Tensor) - 标准差
out (Tensor) - 输出张量

>>> c = torch.normal(mean=0.5, std=a)
>>> c
tensor([[ 0.2432,  1.0196, -0.0108],
        [ 0.6004,  0.3536,  0.6800]])
>>> a
tensor([[0.2969, 0.8017, 0.9024],
        [0.0810, 0.2303, 0.7425]])

线性间距向量

torch.linespace(start, end, steps=100, out=None)–>Tensor
返回一个张量，包含在区间start和end上均匀间隔step个点
输出张量的长度由steps决定。
参数：
start (float) - 区间的起始点
end (float) - 区间的终点
steps (int) - 在start和end间生成的样本数
out (Tensor, optional) - 结果张量

>>> d= torch.linspace(1,10,10)
>>> d
tensor([ 1.,  2.,  3.,  4.,  5.,  6.,  7.,  8.,  9., 10.])

torch.arange(start, end, step)
返回一维张量，形状为 (end-start)/step，数值在[start, end]间
参数：
start (float) - 区间的起始点
end (float) - 区间的终点
step (int，float) - 数值增加步伐 start+step
out (Tensor, optional) - 结果张量

>>> g = torch.arange(1,10, 1)
tensor([1, 2, 3, 4, 5, 6, 7, 8, 9])
>>> g = torch.arange(1,10, 1.6)
tensor([1.0000, 2.6000, 4.2000, 5.8000, 7.4000, 9.0000])

全0/1

torch.ones(input.size(), dtype=input.dtype, layout=input.layout, device=input.device)
参数：input_size: 生成张量形状

>>> e = torch.ones((2,5))
>>> e
tensor([[1., 1., 1., 1., 1.],
        [1., 1., 1., 1., 1.]])

torch.zeros()与torch.ones类似

>>> f =torch.zeros((2,5))
>>> f
tensor([[0., 0., 0., 0., 0.],
        [0., 0., 0., 0., 0.]])

固定数值

troch.full(size, fill_value)
参数：
size：生成张量的大小，list， tuple， torch.size
fill_value: 填充张量的数

>>> torch.full((2,3),23)
tensor([[23., 23., 23.],
        [23., 23., 23.]])