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 1-D 张量，其值来自区间 [start, end)，以公共差值 step 从 start 开始取值。

注意：当使用浮点数据类型（尤其是像 bfloat16 这样的降精度类型）时，结果可能会受到浮点舍入行为的影响。序列中的某些值可能无法在某些浮点格式中精确表示，这可能导致重复值或意外舍入。对于精确的序列，建议使用整数数据类型而不是浮点数据类型。

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

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

参数

• start (Number) – 点集的起始值。默认值：0。

• end (Number) – 点集的结束值

• step (Number) – 每对相邻点之间的间隔。默认值：1。

关键字参数

• out (Tensor, 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 None，则使用全局默认值（请参阅 torch.set_default_dtype()）。如果未给定 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，则推断 dtype 为默认 dtype，请参阅 get_default_dtype()。否则，推断 dtype 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) – 返回张量的所需设备。默认值：如果 None，则使用默认张量类型的当前设备（请参阅 torch.set_default_device()）。device 对于 CPU 张量类型将为 CPU，对于 CUDA 张量类型将为当前 CUDA 设备。

• requires_grad (bool, 可选) – 如果 autograd 应该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])