PyTorch随机函数详解：randn(), rand(), cat(), pow(), scatter_(), squeeze...

本文主要介绍了PyTorch中用于生成随机张量和操作张量的一些重要函数，包括`torch.randn()`、`torch.rand()`、`torch.cat()`、`torch.pow()`、`.scatter_()`、`.squeeze()`和`.unsqueeze()`。这些函数在构建和处理神经网络模型时非常常用。 ## torch.randn() `torch.randn()`函数用于生成一个张量，其元素来自标准正态分布（均值为0，方差为1）。函数接受一个或多个整数作为参数`sizes`，用来定义生成张量的形状。例如，`torch.randn(4)`将返回一个形状为4的1维张量，其中每个元素都是标准正态分布的样本。如果需要指定输出张量，可以使用`out`参数。 ## torch.rand() 与`torch.randn()`类似，`torch.rand()`函数生成一个张量，但其元素是从[0, 1)区间内的均匀分布中抽取的。这个函数同样接受`sizes`参数来定义张量的形状，如`torch.rand(4)`会返回一个4个元素的张量，每个元素在0到1之间随机取值。 ## torch.cat() `torch.cat()`函数用于将多个张量沿指定的维度连接起来。它接受一个张量序列`inputs`和一个可选的整数参数`dimension`，表示连接的维度。例如，如果有两个形状为(2, 3)的张量`x`和`y`，`torch.cat((x, y), dim=0)`将在第0维（行）上将它们拼接，形成一个新的(4, 3)张量。 ## torch.pow() `torch.pow()`函数用于计算张量元素的幂次。例如，`torch.pow(torch.tensor([2, 3]), 2)`将返回一个新的张量，其中元素是原张量对应元素的平方。如果需要将张量的每个元素都提升到同一个幂次，可以直接使用该函数。如果要将张量与另一个标量相乘，可以使用`.item()`方法先将标量转换为张量，如`torch.pow(tensor, scalar.item())`。 ## .scatter_() `.scatter_()`函数用于根据提供的索引和值在张量的指定维度上进行分配操作。它可以将一个值散列到张量的特定位置。使用方法通常是提供一个索引张量和要分配的值，然后在指定维度上执行操作。 ## .squeeze() `.squeeze()`方法用于移除张量中尺寸为1的轴。例如，一个形状为(1, 3, 1, 4)的张量通过`.squeeze()`后会变成(3, 4)。如果要移除所有尺寸为1的轴，可以使用`.squeeze(-1)`来移除最后一个维度中的1，或者`.squeeze()`不加参数来移除所有维度为1的轴。 ## .unsqueeze() `.unsqueeze()`方法与`.squeeze()`相反，它会在张量的指定维度上添加一个尺寸为1的新轴。例如，一个形状为(3, 4)的张量通过`.unsqueeze(0)`会变成(1, 3, 4)，通过`.unsqueeze(1)`会变成(3, 1, 4)。 这些函数在PyTorch中构建和操作张量数据时非常实用，能够帮助开发者生成随机数据、合并张量、进行数学运算以及调整张量的形状，从而更好地支持深度学习模型的训练和推理过程。