torch.logspace

torch.logspace(start, end, steps, base=10.0, *, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False) → Tensor

Создаёт одномерный тензор размера steps , значения которого равномерно распределены от ${{\text{{base}}}}^{{\text{{start}}}}$ до ${{\text{{base}}}}^{{\text{{end}}}}$ включительно, на логарифмической шкале с основанием base. То есть, значениями являются:

$$(\text{base}^{\text{start}}, \text{base}^{(\text{start} + \frac{\text{end} - \text{start}}{ \text{steps} - 1})}, \ldots, \text{base}^{(\text{start} + (\text{steps} - 2) * \frac{\text{end} - \text{start}}{ \text{steps} - 1})}, \text{base}^{\text{end}})$$

Начиная с PyTorch 1.11 logspace требует аргумент steps. Используйте steps=100, чтобы восстановить предыдущее поведение.

Параметры

• start (float) – начальное значение набора точек
• end (float) – конечное значение набора точек
• steps (int) – размер создаваемого тензора
• base (float, необязательно) – основание логарифмической функции. По умолчанию: 10.0.

Ключевые аргументы

• out (Тензор, необязательно) – выходной тензор.
• dtype (torch.dtype, необязательно) – тип данных для вычисления. По умолчанию: если None, используется глобальный тип данных по умолчанию (см. torch.get_default_dtype()), когда оба start и end являются вещественными, и соответствующий комплексный тип данных, если один из них комплексный.
• layout (torch.layout, optional) – желаемая структура возвращаемого тензора. По умолчанию: torch.strided.
• device (torch.device, optional) – желаемое устройство возвращаемого тензора. По умолчанию: если None, используется текущее устройство для типа тензора по умолчанию (см. torch.set_default_tensor_type()). device будет CPU для CPU тензорных типов и текущее CUDA устройство для CUDA тензорных типов.
• requires_grad (bool, необязательно) – Если автограду следует записывать операции над возвращаемым тензором. По умолчанию: False.

Пример:

>>> torch.logspace(start=-10, end=10, steps=5)
tensor([ 1.0000e-10,  1.0000e-05,  1.0000e+00,  1.0000e+05,  1.0000e+10])
>>> torch.logspace(start=0.1, end=1.0, steps=5)
tensor([  1.2589,   2.1135,   3.5481,   5.9566,  10.0000])
>>> torch.logspace(start=0.1, end=1.0, steps=1)
tensor([1.2589])
>>> torch.logspace(start=2, end=2, steps=1, base=2)
tensor([4.0])