快捷方式

torch.randn

torch.randn(*size, *, generator=None, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False, pin_memory=False) Tensor

返回一个用来自均值为 0、方差为 1 的正态分布(也称为标准正态分布)的随机数填充的张量。

outiN(0,1)\text{out}_{i} \sim \mathcal{N}(0, 1)

对于复数数据类型,该张量是独立同分布采样的,来自均值为零、方差为 1 的复数正态分布,如下所示:

outiCN(0,1)\text{out}_{i} \sim \mathcal{CN}(0, 1)

这等同于分别对outi\text{out}_i 的实部 (Re)(\operatorname{Re}) 和虚部 (Im)(\operatorname{Im}) 进行采样,如下所示:

Re(outi)N(0,12),Im(outi)N(0,12)\operatorname{Re}(\text{out}_{i}) \sim \mathcal{N}(0, \frac{1}{2}),\quad \operatorname{Im}(\text{out}_{i}) \sim \mathcal{N}(0, \frac{1}{2})

张量的形状由变量参数 size 定义。

参数

size (int...) – 定义输出张量形状的整数序列。可以是可变数量的参数,也可以是列表或元组之类的集合。

关键字参数
  • generator (torch.Generator, 可选) – 用于采样的伪随机数生成器

  • 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:如果为 None,则使用全局默认值(见 torch.set_default_dtype())。

  • 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:如果为 None,则使用当前设备作为默认张量类型的设备(见 torch.set_default_device())。device 对 CPU 张量类型将是 CPU,对 CUDA 张量类型将是当前 CUDA 设备。

  • requires_grad (bool, 可选) – 是否应记录返回张量上的操作以进行自动微分。默认值:False

  • pin_memory (bool, 可选) – 如果设置,则返回的张量将在固定内存中分配。仅适用于 CPU 张量。默认值:False

示例

>>> torch.randn(4)
tensor([-2.1436,  0.9966,  2.3426, -0.6366])
>>> torch.randn(2, 3)
tensor([[ 1.5954,  2.8929, -1.0923],
        [ 1.1719, -0.4709, -0.1996]])

文档

访问 PyTorch 的全面开发者文档

查看文档

教程

获取针对初学者和高级开发人员的深入教程

查看教程

资源

查找开发资源并获得问题的解答

查看资源