torch.randon

在PyTorch中，torch.rand()函数用于生成指定形状的随机张量，张量的元素值是在[0, 1)之间均匀分布的随机数。下面是一个使用torch.rand()函数生成随机张量的示例：

import torch

# 生成一个形状为(2, 3)的随机张量
x = torch.rand(2, 3)
print(x)

输出类似于：

tensor([[0.8974, 0.3216, 0.5678],
        [0.1234, 0.9876, 0.4567]])

在上面的示例中，我们使用torch.rand(2, 3)生成了一个形状为(2, 3)的随机张量x，并将其打印出来。

需要注意的是，torch.rand()函数会生成在[0, 1)之间均匀分布的随机数。如果需要生成其他分布的随机数，可以使用其他函数，例如torch.randn()用于生成服从标准正态分布的随机数。

相关问题

torch.randon函数

`torch.rand()`函数是用于生成指定大小的随机张量，张量中的每个元素都是从区间[0,1)的均匀分布中随机采样得到的。该函数的语法格式如下：

torch.rand(*size, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False) -> Tensor

其中，参数`size`表示生成的随机张量的大小，可以是一个整数，也可以是一个元组；参数`out`表示输出张量，如果指定了该参数，则生成的随机张量将被保存到该张量中；参数`dtype`表示输出张量的数据类型，如果不指定，则默认为`torch.float32`；参数`layout`表示输出张量的布局，如果不指定，则默认为`torch.strided`；参数`device`表示输出张量所在的设备，如果不指定，则默认为当前设备；参数`requires_grad`表示输出张量是否需要梯度，如果不指定，则默认为`False`。

以下是一个生成随机张量的例子：

import torch

# 生成一个大小为(2, 3)的随机张量
x = torch.rand(2, 3)
print(x)

输出结果如下：

tensor([[0.7645, 0.1867, 0.2389],
        [0.2766, 0.5474, 0.9477]])

import torch import matplotlib.pyplot as plt def features(x): x = x.unsqueeze(1) return torch.cat([x ** i for i in range(1, 5)], 1) x_weight = torch.Tensor([-1.13, -2.14, 3.15, -0.01]).unsqueeze(1) b = torch.Tensor([0.512]) def target(x): return x.mm(x_weight) + b.item() def get_batch_data(batch_size): batch_x = torch.randon(batch_size) features_x = features(batch_x) target_y = target(features_x) return features_x, target_y class PR(torch.nn.Module): def __init__(self): super(PR, self).__init__() self.poly = torch.nn.Linear(4, 1) def forward(self, x): return self.poly(x) epochs = 10000 batch_size = 32 model = PR() criterion = torch.nn.MSELoss() optimizer = torch.optim.SGD(model.parameters(), 0.01) for i in range(epochs): batch_x, batch_y = get_batch_data(batch_size) out = model(batch_x) loss = criterion(out, batch_y) optimizer.zero_grad() loss.backward() optimizer.step() if(epochs % 100 == 0): print(f"Epoch:{i+1}/{epochs}, loss:{loss.item}") if(i%1000 == 0): predict = model(features(batch_x)) plt.plot(batch_x.data.numpy(), predict.squeeze(1).data.numpy(), c="r") loss = criterion(predict, batch_y) plt.title(f"Loss:{loss.item}") plt.xlabel("X") plt.ylabel("Y") plt.scatter(batch_x, batch_y) plt.show()哪里要改

在代码中，有一些小错误：

1. `torch.randon`应该是`torch.rand`，生成随机数的函数名称写错了。

2. `loss.item` 应该是`loss.item()`，需要调用这个方法来得到损失值。

3. 在if语句中，应该是`i % 100 == 0`而不是`epochs % 100 == 0`，因为epochs是循环次数，不会改变，而i是当前循环的次数。

修改后的代码如下：

import torch 
import matplotlib.pyplot as plt 

def features(x):
    x = x.unsqueeze(1)
    return torch.cat([x ** i for i in range(1, 5)], 1)

x_weight = torch.Tensor([-1.13, -2.14, 3.15, -0.01]).unsqueeze(1)
b = torch.Tensor([0.512])

def target(x):
    return x.mm(x_weight) + b.item()

def get_batch_data(batch_size):
    batch_x = torch.rand(batch_size) # 将 torch.randon 改为 torch.rand
    features_x = features(batch_x)
    target_y = target(features_x)
    return features_x, target_y

class PR(torch.nn.Module):
    def __init__(self):
        super(PR, self).__init__()
        self.poly = torch.nn.Linear(4, 1)
      
    def forward(self, x):
        return self.poly(x)

epochs = 10000
batch_size = 32
model = PR()
criterion = torch.nn.MSELoss()
optimizer = torch.optim.SGD(model.parameters(), 0.01)

for i in range(epochs):
    batch_x, batch_y = get_batch_data(batch_size)
    out = model(batch_x)
    loss = criterion(out, batch_y)
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()
    
    if(i % 100 == 0): # 将 epochs % 100 == 0 改为 i % 100 == 0
        print(f"Epoch:{i+1}/{epochs}, loss:{loss.item()}") 
        
    if(i % 1000 == 0):
        predict = model(features(batch_x))
        plt.plot(batch_x.data.numpy(), predict.squeeze(1).data.numpy(), c="r")
        loss = criterion(predict, batch_y)
        plt.title(f"Loss:{loss.item()}")
        plt.xlabel("X")
        plt.ylabel("Y")
        plt.scatter(batch_x, batch_y)
        plt.show()