torch.arange

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

返回一个大小为 $\left\lceil \frac{\text{end} - \text{start}}{\text{step}} \right\rceil$ 的一维张量，其值从区间 [start, end) 中获取，以 start 为起始值，公差为 step。

注意：使用浮点型 dtypes（尤其是降低精度的类型，如 bfloat16）时，结果可能会受到浮点数舍入行为的影响。序列中的某些值在特定浮点格式中可能无法精确表示，这可能导致重复值或意外的舍入。对于精确的序列，建议使用整型 dtypes 而非浮点型 dtypes。

请注意，当 step 为非整数时，与 end 比较时会受浮点数舍入误差的影响；为了避免不一致，建议在这种情况下从 end 中减去一个小的 epsilon 值。

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

参数

• start (Number, 可选) – 点集的起始值。默认值：0。

• end (Number) – 点集的结束值

• step (Number, 可选) – 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) – 返回张量的期望数据类型。默认值：如果为 None，则使用全局默认设置（参见 torch.set_default_dtype()）。如果未给出 dtype，则从其他输入参数推断数据类型。如果 start、end 或 stop 中任何一个为浮点型，则推断 dtype 为默认 dtype，参见 get_default_dtype()。否则，dtype 推断为 torch.int64。

• layout (torch.layout, 可选) – 返回张量的期望布局。默认值：torch.strided。

• device (torch.device, 可选) – 返回张量的期望设备。默认值：如果为 None，则使用默认张量类型的当前设备（参见 torch.set_default_device()）。对于 CPU 张量类型，device 将是 CPU；对于 CUDA 张量类型，则是当前的 CUDA 设备。

• requires_grad (bool, 可选) – autograd 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])