torch.range

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

Возвращает одномерный тензор размера $\left\lfloor \frac{\text{end} - \text{start}}{\text{step}} \right\rfloor + 1$ со значениями от start до end с шагом step. Шаг — это расстояние между двумя значениями в тензоре.

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

Предупреждение

Эта функция устарела и будет удалена в одном из будущих выпусков, поскольку её поведение не согласуется со встроенной функцией range в Python. Вместо неё используйте torch.arange(), которая возвращает значения в диапазоне [start, end).

Параметры:

• start (float, необязательно) – начальное значение набора точек. По умолчанию: 0.
• end (float) – конечное значение набора точек
• step (float, необязательно) – расстояние между каждой парой соседних точек. По умолчанию: 1.

Именованные аргументы:

• out (Tensor, необязательно) – выходной тензор.
• dtype (torch.dtype, необязательно) – требуемый тип данных возвращаемого тензора. По умолчанию: если None, используется глобальное значение по умолчанию (см. torch.set_default_dtype()). Если dtype не задан, тип данных определяется по другим входным аргументам. Если любой из аргументов start, end или step имеет тип с плавающей точкой, для dtype используется тип данных по умолчанию; см. get_default_dtype(). В противном случае для dtype используется torch.int64.
• layout (torch.layout, необязательно) – требуемый формат возвращаемого тензора. По умолчанию: torch.strided.
• device (torch.device, необязательно) – требуемое устройство для возвращаемого тензора. По умолчанию: если None, используется текущее устройство для типа тензора по умолчанию (см. torch.set_default_device()). device будет соответствовать CPU для типов тензоров CPU и текущему устройству CUDA для типов тензоров CUDA.
• requires_grad (bool, необязательно) – нужно ли autograd записывать операции над возвращаемым тензором. По умолчанию: False.

Пример:

>>> 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])