torch.arange

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

返回一個大小為 $\left\lceil \frac{\text{end} - \text{start}}{\text{step}} \right\rceil$ 的一維張量，其數值來自區間 [start, end)，並以 step 為間隔，從 start 開始取值。

注意：當使用浮點數資料類型（特別是像 bfloat16 這樣的降低精度類型）時，結果可能會受到浮點數捨入行為的影響。序列中的某些值可能無法在某些浮點數格式中精確表示，這可能會導致重複的值或意外的捨入。對於精確的序列，建議使用整數資料類型而不是浮點數資料類型。

請注意，當與 end 比較時，非整數 step 容易受到浮點數捨入誤差的影響；為了避免不一致，我們建議在這種情況下從 end 中減去一個小的 epsilon 值。

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

參數

• start (Number) – 點集的起始值。預設值：0。

• end (Number) – 點集的結束值

• step (Number) – 每對相鄰點之間的間隙。預設值：1。

關鍵字參數

• out (Tensor, optional) – 輸出張量。

• dtype (torch.dtype, optional) – 返回張量的所需資料類型。預設值：如果 None，則使用全域預設值（參見 torch.set_default_dtype()）。如果未指定 dtype，則從其他輸入參數推斷資料類型。如果 start、end 或 stop 中有任何一個是浮點數，則 dtype 將被推斷為預設資料類型，請參閱 get_default_dtype()。否則，dtype 將被推斷為 torch.int64。

• layout (torch.layout, optional) – 返回張量的所需版面配置。預設值：torch.strided。

• device (torch.device, optional) – 返回張量的所需裝置。預設值：如果 None，則使用預設張量類型的當前裝置（參見 torch.set_default_device()）。 device 將對於 CPU 張量類型為 CPU，對於 CUDA 張量類型為當前的 CUDA 裝置。

• requires_grad (bool, optional) – 如果 autograd 應該記錄返回張量的運算。預設值：False。

範例

>>> 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])