torch.arange

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

返回一个 1-D 张量，其大小为 $\left\lceil \frac{\text{end} - \text{start}}{\text{step}} \right\rceil$ 范围内的值，其中 start 为起始值，公差为 step。

注意：在使用浮点数 dtypes（尤其是像 bfloat16 这样的低精度类型）时，结果可能会受到浮点数舍入行为的影响。序列中的某些值可能无法在某些浮点数格式中精确表示，这可能导致值重复或意外舍入。为了获得精确的序列，建议使用整数 dtypes 而非浮点数 dtypes。

注意，当与 end 比较时，非整数 step 会受到浮点数舍入误差的影响；为避免不一致，我们建议在这种情况下从 end 中减去一个小的 epsilon。

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

参数

• start (Number, optional) –集合点的起始值。默认为 0。

• end (Number) – 集合点的结束值

• step (Number, optional) – 相邻点之间的间隔。默认为 1。

关键字参数

• out (Tensor, optional) – 输出张量。

• dtype (torch.dtype, optional) – 返回张量的期望数据类型。默认情况下，如果 None，则使用全局默认值（请参阅 torch.set_default_dtype()）。如果未给出 dtype，则从其他输入参数推断数据类型。如果 start、end 或 stop 中的任何一个是浮点数，则 dtype 被推断为默认 dtype，请参阅 get_default_dtype()。否则，dtype 被推断为 torch.int64。

• layout (torch.layout, 可选) – 返回张量的所需布局。默认：torch.strided。

• device (torch.device, 可选) – 返回张量的所需设备。默认：如果为 None，则使用当前设备作为默认张量类型（参见 torch.set_default_device()）。对于 CPU 张量类型，device 将是 CPU；对于 CUDA 张量类型，device 将是当前的 CUDA 设备。

• requires_grad (bool, optional) – 如果 autograd 应记录在返回的张量上的操作。默认值：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])