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，其值從區間 [start, end) 中獲取，以 start 為起始值，公差為 step。

注意：使用浮點型 dtypes（尤其是降低精度的型別，如 bfloat16）時，結果可能會受到浮點數舍入行為的影響。序列中的某些值在特定浮點格式中可能無法精確表示，這可能導致重複值或意外的舍入。對於精確的序列，建議使用整型 dtypes 而非浮點型 dtypes。

請注意，當 step 為非整數時，與 end 比較時會受浮點數舍入誤差的影響；為了避免不一致，建議在這種情況下從 end 中減去一個小的 epsilon 值。

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

引數

• start (Number, 可選) – 點集的起始值。預設值：0。

• end (Number) – 點集的結束值

• step (Number, 可選) – 每對相鄰點之間的間隔。預設值：1。

關鍵字引數

• out (Tensor, 可選) – 輸出張量。

• dtype (torch.dtype, 可選) – 返回張量的期望資料型別。預設值：如果為 None，則使用全域性預設設定（參見 torch.set_default_dtype()）。如果未給出 dtype，則從其他輸入引數推斷資料型別。如果 start、end 或 stop 中任何一個為浮點型，則推斷 dtype 為預設 dtype，參見 get_default_dtype()。否則，dtype 推斷為 torch.int64。

• layout (torch.layout, 可選) – 返回張量的期望佈局。預設值：torch.strided。

• device (torch.device, 可選) – 返回張量的期望裝置。預設值：如果為 None，則使用預設張量型別的當前裝置（參見 torch.set_default_device()）。對於 CPU 張量型別，device 將是 CPU；對於 CUDA 張量型別，則是當前的 CUDA 裝置。

• requires_grad (bool, 可選) – autograd 是否應記錄返回張量上的操作。預設值：False。

示例

>>> 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])