torch.arange

torch.arange(start=0, end, step=1, *, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False) → Tensor

返回大小为 $\left\lceil \frac{\text{end} - \text{start}}{\text{step}} \right\rceil$ 的一维张量，其值来自区间 [start, end)，以公差 step 从 start 开始取值。

请注意，当与 end 比较时，非整数 step 会受到浮点舍入误差的影响；为了避免不一致，我们建议在这种情况下从 end 中减去一个小的 epsilon。

$$\text{out}_{{i+1}} = \text{out}_{i} + \text{step}$$

参数

• start (数字) – 点集的起始值。默认值：0。

• end (数字) – 点集的结束值

• step (数字) – 每对相邻点之间的间隙。默认值：1。

关键字参数

• out (张量, 可选) – 输出张量。

• dtype (torch.dtype，可选) – 返回张量的所需数据类型。默认值：如果为 None，则使用全局默认值（请参阅 torch.set_default_dtype()）。如果未提供 dtype，则从其他输入参数推断数据类型。如果 start、end 或 stop 中的任何一个是浮点数，则 dtype 推断为默认 dtype，请参阅 get_default_dtype()。否则，dtype 推断为 torch.int64。

• layout (torch.layout，可选) – 返回张量的所需布局。默认值：torch.strided。

• device (torch.device，可选) – 返回张量的目标设备。默认值：如果为None，则使用默认张量类型当前的设备（参见 torch.set_default_device()）。对于 CPU 张量类型，device 将为 CPU；对于 CUDA 张量类型，device 将为当前的 CUDA 设备。

• requires_grad (bool, 可选) – 是否应记录返回张量上的操作。默认值：False。

示例

>>> torch.arange(5)
tensor([ 0,  1,  2,  3,  4])
>>> torch.arange(1, 4)
tensor([ 1,  2,  3])
>>> torch.arange(1, 2.5, 0.5)
tensor([ 1.0000,  1.5000,  2.0000])