PyTorch中Torch.arange()函数详解

函数原型

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

用法

返回大小为的一维张量 ，其值介于区间为步长等间隔取值

参数说明

参数	类型	说明
start	`Number`	起始值，默认值：`0`
end	`Number`	结束值
step	`Number`	步长，默认值：`1`

关键字参数

关键字参数	类型	说明
out	`Tensor`	输出张量
dtype	`torch.dtype`	期望的返回张量的数据类型。默认值：如果是`None`，则使用全局默认值。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 中的任何一个是浮点数，则 `dtype`被推断为默认值，参见 get_default_dtype()。否则，dtype 被推断为 `torch.int64`
layout	`torch.layout`	返回张量的期望 layout。默认值：`torch.strided`
device	`torch.device`	返回张量的期望设备。默认值：如果是`None`，则使用当前设备作为默认张量类型，参见torch.set_default_tensor_type()。对于 CPU 类型的张量，则 `device` 是 CPU ，若是 CUDA 类型的张量，则 `device` 是当前的 CUDA 设备
requires_grad	`bool`	autograd 是否记录返回张量上所作的操作。默认值：`False`

代码示例

python 复制代码

>>> torch.arange(5)  # 默认以 0 为起点
tensor([ 0,  1,  2,  3,  4])
>>> torch.arange(1, 4)  # 默认间隔为 1
tensor([ 1,  2,  3])
>>> torch.arange(1, 2.5, 0.5)  # 指定间隔 0.5
tensor([ 1.0000,  1.5000,  2.0000])

pyTorch中torch.range()和torch.arange()的区别

python 复制代码

x = torch.range(-8, 8)
y = torch.arange(-8, 8)
print(x, x.dtype)
print(y, y.dtype)

输出

tensor([-8., -7., -6., -5., -4., -3., -2., -1., 0., 1., 2., 3., 4., 5.,6., 7., 8.]) torch.float32

tensor([-8, -7, -6, -5, -4, -3, -2, -1, 0, 1, 2, 3, 4, 5, 6, 7]) torch.int64

可以看到，torch.range()的范围是[-8, 8]，类型为torch.float32

torch.arange()的范围是[-8, 8)，类型为torch.int64

在梯度设置时会出现错误：

python 复制代码

x = torch.range(-8, 8, 1, requires_grad=True)
y = torch.arange(-8, 8, 1, requires_grad=True)
print(x, x.dtype)
print(y, y.dtype)

即只有当类型为float时才可设置requires_grad=True，故可将

y ``= torch.arange(``-``8``, ``8``, ``1``, requires_grad``=``True``)

改为以下，即手动改变数据类型即可。

y ``= torch.arange(``-``8.0``, ``8.0``, ``1.0``, requires_grad``=``True``)

输出

tensor([-8., -7., -6., -5., -4., -3., -2., -1., 0., 1., 2., 3., 4., 5.,6., 7., 8.], requires_grad=True)

torch.float32

tensor([-8., -7., -6., -5., -4., -3., -2., -1., 0., 1., 2., 3., 4., 5.,6., 7.], requires_grad=True)

torch.float32