pytorch每日一学20(torch.arange()、torch.range()、torch.linespace()、torch.logspace())根据步长创造一维tensor
第20学
- 此次学习所有的根据步长创建一维tensor的几个方法，因为基本相似，所以把他们都放在一起，并进行比较。
torch.arange(start=0, end, step=1, *, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False) → Tensor
torch.range(start=0, end, step=1, *, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False) → Tensor
torch.linspace(start, end, steps, *, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False) → Tensor
torch.logspace(start, end, steps, base=10.0, *, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False) → Tensor
- 今天就讲解以上4个方法，基本上这几个方法的参数也很相似，就是给定了开始和结束以及步长，从开始数开始一直到结尾数每次加一个步长，取到的值作为tensor中的元素。r这里就统一介绍以下几个参数的意思
start：创建的tensor元素的起始值（不一定一定第一个元素就是start），默认为0。end：创建tensor中元素的末尾值（不一定最后一个值一定取到end，得看具体哪个方法和值）step：指定从开始到结尾取数时每次增加多少，默认为1.out：表明创建后tensor赋予哪个变量。dtype：指定tensor中数据元素的类型，如果为None，取默认值，默认值可由torch.set_default_tensor_type()来改变，以前讲过这个方法。layout：返回tensor的布局，默认为torch.strided。device：生成tensor所处的设备，可以为cpu或者cuda。requires_grad：指定返回tensor需不需要梯度，默认为False。
区别
torch.arange()为左闭右开，即[start, end)，如下所示。
>>> 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])
注意，与end相比较时，非整数step容易受浮点舍入错误的影响，为了避免这种不一致，建议在这种情况下添加一个小的epsilon。
torch.range()为左闭右闭，即[start, end]，如下所示
>>> torch.range(1, 4)
tensor([ 1., 2., 3., 4.])
>>> torch.range(1, 4, 0.5)
tensor([ 1.0000, 1.5000, 2.0000, 2.5000, 3.0000, 3.5000, 4.0000])
注意，由于这个方法是左右都闭合，与python中自带的range（左闭右开）不同，所以此方法已经过时了，并且会在以后的版本删除，以后请使用torch.arange()与range()一样为左闭右开。
torch.linspace()，这个方法也是左闭右闭的，但是这个方法和前面的不太一样，它这里的步长其实和前面的不是一个意思，它的计算步骤如下
根据公式可能有些看不懂，其实它的意思是，linspace中的steps与咱们上面两个理解的step不同，因为这方法需要左闭右闭，并且中间必须等间隔，而如果我们提供向上面一样的step是可能不会右闭的，例如：
(start=1, end=5, step)这样得取值永远不会得到end，为了避免这种情况，linspace中使用 e n d − s t a r t s t e p s \frac{end-start}{steps} stepsend−start来作为上面理解的step，这样以后就和上面一样了，而且一定可以取到end，所以这里的它用steps来区别，而不是step。但是感觉这里有问题，因为按照官网给的这个公式，他的很多东西是不对的，实际输出与这样算出来的不一样，例如：
按照，官网的公式，输出应该为([0, 5, 10])才对，但是结果确不是这样的，不过看了很多式子后总结了一个规律是steps就是将(start, end)分成包含start和end的多少个数，steps是多少，返回的tensor中就有多少个元素，实际操作也确实这样得，实际使用如下：
>>> torch.linspace(3, 10, steps=5)
tensor([ 3.0000, 4.7500, 6.5000, 8.2500, 10.0000])
>>> torch.linspace(-10, 10, steps=5)
tensor([-10., -5., 0., 5., 10.])
>>> torch.linspace(start=-10, end=10, steps=5)
tensor([-10., -5., 0., 5., 10.])
>>> torch.linspace(start=-10, end=10, steps=1)
tensor([-10.])
注意：虽然，linspace可以不提供steps（此时会返回100个数），如下所示，但是此行为未反映在已记录的功能签名中，在未来的pytorc版本中，如果无法提供步骤值，则会引发runtime error，所以大家加上steps为好。
torch.logspace()：此方法创造出来的数和前面不太一样，如下所示：
可以看到base就是底数，默认为10.0，而后面就是和上面的linspace是一样的，它的steps也不是step，而是进行了和上面一样的处理，使用 e n d − s t a r t s t e p s \frac{end-start}{steps} stepsend−start才是上面理解的step，当然这里和linspace一样也有些问题。实际结果是steps是指tensor中的数的个数。
在logsapce，其实是将这些参数进行上面的linspce步骤后，再把这些数放在base的指数上组成一组数形成tensor。与linspace一样，steps是多少，返回的tensor中就有多少个数。
此方法也可以不提供过steps，同样返回100个数，但是在以后的版本中不提供steps将返回一个runtime error，也是加上为好。