简介
本教程将告诉你如何在PyTorch中通过使用torch.rand()和torch.rand_like()函数来创建具有随机值的张量。在深度学习中，创建用随机数初始化的张量是一个非常常见的操作。我们将借助实例来解释这些函数，以便更好地理解。
使用torch.rand()的PyTorch随机张量
torch.rand函数用于用均匀分布中的随机值创建一个张量，该张量位于区间[0,1]之间，即大于或等于0且小于1。
让我们通过例子更好地理解这一点，但在此之前让我们导入PyTorch库。
在[0]
import torch;
例子 - 1：用torch.rand()创建二维随机张量
在第一个例子中，我们要用torch.rand函数生成一个大小为3×3的随机张量。有三种不同的语法可以做到这一点 --
方法 - 1:
在这个例子中，我们只是把3,3的大小传递给torch.rand()，如下图所示。
In [1]:
tensor = torch.rand(3,3)
tensor
输出[1]
tensor([[0.6389, 0.8245, 0.2545],
[0.5153, 0.2170, 0.6151],
[0.3091, 0.7528, 0.5183]])
方法--2。
在这个方法中，我们可以把大小作为一个列表[3,3]传给torch.rand()，如下图所示。
在[2]中
tensor = torch.rand(size = [3,3])
tensor
Out[2]:
tensor([[0.6389, 0.8245, 0.2545],
[0.5153, 0.2170, 0.6151],
[0.3091, 0.7528, 0.5183]])
方法 - 3:
在这个方法中，我们可以将大小作为一个元组（3,3）传递给torch.rand()，如下图所示。
在[3]中
tensor = torch.rand(size = (3,3))
tensor
输出[3]
tensor([[0.6389, 0.8245, 0.2545],
[0.5153, 0.2170, 0.6151],
[0.3091, 0.7528, 0.5183]])
例子-2：创建一维随机张量
在这个例子中，我们要创建一个10个元素的一维随机张量。
在[4]中
tensor = torch.rand(10);
tensor
输出[4]
tensor([0.8266, 0.7850, 0.4197, 0.9229, 0.7172, 0.8324, 0.3692, 0.4916, 0.7819,
0.7687])
例子-3：创建3维随机张量
在下面的例子中，我们将创建大小为2x3x3的三维PyTorch张量。
在[5]中
tensor = torch.rand(size=(2,3,3))
tensor
Out[5]:
tensor([[[0.6133, 0.9458, 0.9013],
[0.4031, 0.5596, 0.0875],
[0.5414, 0.9022, 0.8020]],
[[0.2309, 0.2696, 0.6551],
[0.7222, 0.2852, 0.8607],
[0.8311, 0.4471, 0.2992]]])
例子 - 4: 使用dtype参数与torch.rand的关系
在torch.rand函数中，type参数被用来指定数据类型，如下图所示。
在[6]中
tensor = torch.rand(size=(3,3), dtype=torch.float32)
tensor
输出[6]
tensor([[0.3449, 0.0083, 0.6991],
[0.4702, 0.8682, 0.2594],
[0.1540, 0.4070, 0.5919]])
使用Torch.rand()的Int数据类型的问题。
如果你试图用type参数指定int数据类型，这里有一个陷阱。让我们看看下面的例子，当我们用dtype传递int时，输出会出错。这是因为torch.rand只生成区间[0,1]之间的数据，即大于等于0和小于1的数据，因为它总是低于1，所以它永远无法生成一个整数，因此抛出了错误。
在[7]中
tensor = torch.rand(size=(3,3), dtype=torch.int32);
tensor
输出[7]
---------------------------------------------------------------------------
RuntimeError Traceback (most recent call last)
<ipython-input-28-9554a5ee2190> in <module>()
----> 1 tensor = torch.rand(size=(3,3), dtype=torch.int32);
2 tensor
RuntimeError: "check_uniform_bounds" not implemented for 'Int'
例子 - 5: 使用torch.rand的种子值
每当你使用torch.rand()函数时，它每次都会随机地产生不同的值。然而，如果你想确保每次调用这个函数时都能生成相同的随机值，那么我们就必须传递种子值，如下所述。
我们首先创建一个生成器对象gen，并用manual_seed()初始化它的种子值。然后我们在torch.rand中使用这个生成器对象，如下图所示。现在，无论何时我们使用这段代码，它都会生成具有相同数值的张量。
In [8]:
gen = torch.Generator()
gen.manual_seed(2947587447)
tensor = torch.rand(size=(4,3), generator = gen)
tensor
输出[8]
tensor([[0.0371, 0.6312, 0.3432],
[0.3925, 0.3106, 0.4346],
[0.1148, 0.1085, 0.2297],
[0.7899, 0.3889, 0.0603]])
使用torch.rand_like()的PyTorch随机张量
有时，你想在PyTorch中创建一个随机张量，其大小与另一个张量相同。你可以手动获取其他张量的大小，然后创建随机张量。然而，有一个更方便的方法，即使用torch.rand_like()函数来做这件事。让我们通过实例来了解这个问题。
例子-1：用torch.rand_like()创建2维随机张量
首先，我们将创建一个零值的张量，它将被用来创建相同大小的随机张量。接下来，我们将这个张量的名称传递给torch.rand_like函数。
In[9]:
reference_tensor = torch.zeros(size=(3,4))
reference_tensor
Out[9]:
tensor([[0., 0., 0., 0.],
[0., 0., 0., 0.],
[0., 0., 0., 0.]])
在[10]中
tensor = torch.rand_like(reference_tensor)
tensor
Out[10]:
tensor([[[0.8383, 0.9491, 0.6800, 0.6901],
[0.4085, 0.5711, 0.7195, 0.0400],
[0.7486, 0.7667, 0.2196, 0.8198]],
[[0.7664, 0.1315, 0.7272, 0.4294],
[0.7604, 0.1315, 0.7219, 0.7277],
[0.5066, 0.0683, 0.4788, 0.6700]]])
例子 - 2: 用torch.rand_like()创建3维随机张量
这里我们创建一个三维零张量，然后用它作为参考来创建随机张量。
在[11]
reference_tensor = torch.zeros(size=(2,3,4))
reference_tensor
Out[11]:
tensor([[[0., 0., 0., 0.],
[0., 0., 0., 0.],
[0., 0., 0., 0.]],
[[0., 0., 0., 0.],
[0., 0., 0., 0.],
[0., 0., 0., 0.]]])
在[12]中
tensor = torch.rand_like(reference_tensor)
tensor
Out[12]:
tensor([[[0.1704, 0.4320, 0.6740, 0.4405],
[0.5392, 0.0576, 0.6135, 0.2433],
[0.2174, 0.9259, 0.7687, 0.5202]],
[[0.8903, 0.2329, 0.1755, 0.6491],
[0.5983, 0.3904, 0.4308, 0.4082],
[0.6989, 0.9511, 0.8717, 0.9099]]])
