torch.arange

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

返回一个一维张量，其大小为 $\left\lceil \frac{\text{end} - \text{start}}{\text{step}} \right\rceil$，值取自区间 [start, end)，以 start 为起点，公差为 step。

注意：使用浮点数据类型（特别是 bfloat16 等精度降低的类型）时，结果可能会受到浮点舍入行为的影响。序列中的某些值可能无法在某些浮点格式中精确表示，这可能导致重复值或意外舍入。对于精确的序列，建议使用整数数据类型而不是浮点数据类型。

请注意，非整数的 step 在与 end 比较时可能会出现浮点舍入误差；为避免不一致，建议在这种情况下从 end 减去一个小的 epsilon 值。

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

参数

• start (Number, optional) – 点集的起始值。默认值：0。

• end (Number) – 点集的结束值

• step (Number, optional) – 每对相邻点之间的间距。默认值：1。

关键字参数

• out (Tensor, optional) – 输出张量。

• dtype (torch.dtype, 可选) – 返回张量的期望数据类型。默认值：如果为 None，则使用全局默认值（参见 torch.set_default_dtype()）。如果未给定 dtype，则从其他输入参数推断数据类型。如果 start、end 或 stop 中的任何一个为浮点数，则 dtype 将推断为默认数据类型，参见 get_default_dtype()。否则，dtype 将推断为 torch.int64。

• layout (torch.layout, 可选) – 返回张量的期望布局。默认值：torch.strided。

• device (torch.device, 可选) – 返回张量的期望设备。默认值：如果为 None，则使用默认张量类型的当前设备（参见 torch.set_default_device()）。device 对于 CPU 张量类型将是 CPU，对于 CUDA 张量类型将是当前的 CUDA 设备。

• requires_grad (bool, 可选) – 如果 autograd 应该记录返回张量上的操作。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])