Pytorch学习：torch.randn()

torch.randn()返回一个张量，这个张量中填充了均值为0、方差为1的正态分布中的随机数。
张量的形状由变量size定义。

有时会遇到括号中有1个、2个、3个和4个情况。

当为torch.randn(1)时，产生一个size=1服从标准正态分布的张量

import torch

a = torch.randn(1)
print(a)
1
2
3
4

当为torch.randn(2, 3)时，产生一个2行3列且里面的数服从标准正态分布的张量。

import torch

a = torch.randn(2, 3)
print(a)
1
2
3
4

当为torch.randn(2, 3, 4)时，产生一个2个样本，3行4列且其中的数服从标准正态分布的张量。

import torch

a = torch.randn(2, 3, 4)
print(a)
1
2
3
4

当为torch.randn(2, 2, 3, 4)时

这在深度学习中较为常见，一般代表(batch_size, channels, height, weight)即为（样本大小，通道数，高度，宽度）。

import torch

a = torch.randn(2, 2, 3, 4)
print(a)
print(a.shape)
1
2
3
4
5

官方文档：torch.randn(*size, *, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False, pin_memory=False)
主要参数：

• size（int…）- 定义输出张量的形状的整数序列。可以是可变数量的参数，也可以是一个集合，如列表或元组。
  关键字参数：
• generator（ torch.Generator ，可选）-用于采样的伪随机数生成器
• out（Tensor，可选）-输出张量。
• dtype（ torch.dtype ，可选）-返回张量的所需数据类型。默认值：如果是 None ，则使用全局默认值。
• layout（ torch.layout ，可选）-返回的Tensor的所需布局。默认值： torch.strided 。
• device（ torch.device ，可选）-返回张量的所需设备。默认：如果 None ，则使用当前设备作为默认张量类型
• requires_grad（bool，可选）-如果autograd应该记录返回张量的操作。默认值： False 。
• pin_memory（bool，可选）-如果设置，返回的张量将分配到固定内存中。