torch.arange

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

Возвращает одномерный тензор размера $\left\lceil \frac{\text{end} - \text{start}}{\text{step}} \right\rceil$ со значениями из интервала [start, end) с общим разностью step, начиная с start.

Обратите внимание, что нецелые step подвержены ошибкам округления с плавающей запятой при сравнении с end; чтобы избежать несоответствия, мы рекомендуем добавить небольшое значение ε к end в таких случаях.

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

Параметры:

• start (Число) – начальное значение для набора точек. По умолчанию: 0.
• end (Число) – конечное значение для набора точек
• step (Число) – разрыв между каждой парой смежных точек. По умолчанию: 1.

Ключевые аргументы:

• out (Тензор, необязательно) – выходной тензор.
• dtype (torch.dtype, необязательно) – желаемый тип данных возвращаемого тензора. По умолчанию: если None, используется глобальный стандарт (см. torch.set_default_tensor_type()). Если dtype не задан, тип данных определяется из других входных аргументов. Если любой из start, end, или stop является числом с плавающей запятой, то dtype определяется как тип по умолчанию, см. get_default_dtype(). В противном случае, dtype определяется как torch.int64.
• layout (torch.layout, необязательно) – желаемая структура возвращаемого тензора. По умолчанию: torch.strided.
• device (torch.device, необязательно) – желаемое устройство возвращаемого тензора. По умолчанию: если None, используется текущее устройство для типа тензора по умолчанию (см. torch.set_default_tensor_type()). device будет ЦП для тензоров ЦП и текущее устройство CUDA для тензоров CUDA.
• requires_grad (bool, необязательно) – Если autograd должен записывать операции над возвращаемым тензором. По умолчанию: False.

Пример:

>>> 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])