torch.arange

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

返回一个大小为 $\left\lceil \frac{\text{end} - \text{start}}{\text{step}} \right\rceil$ 的一维张量，其值从区间 [start, end) 开始，以公差 step 取值。

注意：当使用浮点数据类型（尤其是像 bfloat16 这样的低精度类型）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特定的浮点格式中精确表示，这可能导致重复值或意外的舍入。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。

注意，非整数的 step 在比较 end 时可能会出现浮点数舍入误差；为了避免不一致，建议在这种情况下从 end 中减去一个小的ε值。

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

参数:

• 开始（数字，可选）- 点集的起始值。默认： 0 。

• 结束（数字）- 点集的结束值

• 步长（数字，可选）- 每对相邻点之间的间隔。默认： 1 。

关键字参数:

• 输出（张量，可选）- 输出张量。

• dtype ( torch.dtype ，可选) – 返回张量的期望数据类型。默认：如果 None ，则使用全局默认值（见 torch.set_default_dtype() ）。如果没有指定 dtype，则从其他输入参数推断数据类型。如果 start、end 或 stop 中的任何一个是浮点数，则推断 dtype 为默认数据类型，见 get_default_dtype() 。否则，dtype 推断为 torch.int64。

• layout ( torch.layout ，可选) – 返回 Tensor 的期望布局。默认： torch.strided 。

• device ( torch.device ，可选) – 返回张量的期望设备。默认：如果 None ，则使用当前设备用于默认张量类型（见 torch.set_default_device() ）。 device 将是 CPU 张量类型的 CPU 和 CUDA 张量类型的当前 CUDA 设备。

• requires_grad (bool，可选) – 如果 autograd 应记录对返回张量的操作。默认： 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])