특수 텐서 생성

수열과 격자 — 구조화된 텐서 생성

난수 텐서가 무작위성을 담당한다면, 특수 텐서 함수들은 규칙적인 패턴을 가진 텐서를 만듭니다. 좌표 격자, 단위행렬, 등간격 수열 등이 이에 해당합니다.

torch.arange() — 정수 수열

Python의 range()와 유사하지만 텐서를 반환합니다.

arange(start, end, step)
  start: 시작값 (포함)
  end:   끝값   (미포함, exclusive)
  step:  간격   (기본값 1)

import torch

# 기본: 0부터 시작
a1 = torch.arange(5)
print(a1)   # tensor([0, 1, 2, 3, 4])

# start, end 지정
a2 = torch.arange(2, 8)
print(a2)   # tensor([2, 3, 4, 5, 6, 7])

# step 지정
a3 = torch.arange(0, 10, 2)
print(a3)   # tensor([0, 2, 4, 6, 8])

# 실수 step도 가능
a4 = torch.arange(0.0, 1.0, 0.2)
print(a4)   # tensor([0.0000, 0.2000, 0.4000, 0.6000, 0.8000])

# 역순 (음수 step)
a5 = torch.arange(10, 0, -2)
print(a5)   # tensor([10,  8,  6,  4,  2])

torch.linspace() — 등간격 수열

시작값과 끝값 사이를 정확히 n개의 등간격 점으로 나눕니다. arange와 달리 끝값이 **포함(inclusive)**됩니다.

linspace(start, end, steps)
  start: 시작값 (포함)
  end:   끝값   (포함, inclusive)
  steps: 원소 개수

# 0과 1 사이를 5개 점으로
l1 = torch.linspace(0, 1, steps=5)
print(l1)   # tensor([0.0000, 0.2500, 0.5000, 0.7500, 1.0000])

# -π 부터 π 까지 100개 점 (삼각함수 그래프용)
import math
x = torch.linspace(-math.pi, math.pi, steps=100)
y = torch.sin(x)
print(x.shape)   # torch.Size([100])
print(y.shape)   # torch.Size([100])

# 학습률 스케줄 시각화용 축 생성
epochs = torch.linspace(1, 100, steps=100)
print(epochs[:5])   # tensor([ 1.,  2.,  3.,  4.,  5.])
print(epochs[-1])   # tensor(100.)  ← 끝값 포함

arange vs linspace 비교

항목	`torch.arange()`	`torch.linspace()`
제어 기준	간격(step) 지정	개수(steps) 지정
끝값 포함	❌ 미포함 (exclusive)	✅ 포함 (inclusive)
주 용도	인덱스, 정수 수열	좌표축, 연속 구간
반환 dtype	int64 (정수 입력 시)	float32

# 같은 구간을 다른 방식으로
a = torch.arange(0.0, 1.1, 0.25)   # step=0.25, end는 미포함
l = torch.linspace(0.0, 1.0, 5)    # 5개 점, end 포함

print(a)   # tensor([0.0000, 0.2500, 0.5000, 0.7500, 1.0000])
print(l)   # tensor([0.0000, 0.2500, 0.5000, 0.7500, 1.0000])
# 결과는 같지만 arange는 부동소수점 오차 위험 있음

torch.logspace() — 로그 스케일 수열

로그 스케일로 등간격인 수열을 생성합니다. 학습률처럼 여러 자릿수에 걸친 범위를 탐색할 때 유용합니다.

# 10^start 부터 10^end 까지 steps개
ls = torch.logspace(start=-3, end=0, steps=4)
print(ls)   # tensor([1.0e-03, 1.0e-02, 1.0e-01, 1.0e+00])
# = [0.001, 0.01, 0.1, 1.0]

# 학습률 탐색 범위 생성
lr_candidates = torch.logspace(-5, -1, steps=5)
print(lr_candidates)
# tensor([1.0e-05, 1.0e-04, 1.0e-03, 1.0e-02, 1.0e-01])

torch.eye() — 단위행렬

대각선이 1이고 나머지가 0인 **단위행렬(항등행렬)**을 생성합니다.

eye(3):
[1, 0, 0]
[0, 1, 0]
[0, 0, 1]

# 정방 단위행렬
e3 = torch.eye(3)
print(e3)
# tensor([[1., 0., 0.],
#         [0., 1., 0.],
#         [0., 0., 1.]])

# 직사각형 단위행렬 (n행 m열)
e = torch.eye(3, 5)
print(e)
# tensor([[1., 0., 0., 0., 0.],
#         [0., 1., 0., 0., 0.],
#         [0., 0., 1., 0., 0.]])

# 실전: 원-핫 인코딩
num_classes = 5
labels = torch.tensor([0, 2, 4, 1])
one_hot = torch.eye(num_classes)[labels]
print(one_hot)
# tensor([[1., 0., 0., 0., 0.],
#         [0., 0., 1., 0., 0.],
#         [0., 0., 0., 0., 1.],
#         [0., 1., 0., 0., 0.]])

torch.meshgrid() — 2D 격자 생성

두 1D 텐서로 2D 좌표 격자를 만듭니다. 함수 시각화나 위치 인코딩에 사용됩니다.

# 1D 축 정의
x = torch.arange(0, 3)     # [0, 1, 2]
y = torch.arange(0, 4)     # [0, 1, 2, 3]

# 2D 격자 생성 (indexing='ij': 행렬 인덱싱)
grid_x, grid_y = torch.meshgrid(x, y, indexing='ij')

print(grid_x.shape)   # torch.Size([3, 4])
print(grid_y.shape)   # torch.Size([3, 4])

print(grid_x)
# tensor([[0, 0, 0, 0],
#         [1, 1, 1, 1],
#         [2, 2, 2, 2]])

print(grid_y)
# tensor([[0, 1, 2, 3],
#         [0, 1, 2, 3],
#         [0, 1, 2, 3]])

# 모든 (x, y) 좌표 쌍 얻기
coords = torch.stack([grid_x, grid_y], dim=-1)
print(coords.shape)   # torch.Size([3, 4, 2])
print(coords[1, 2])   # tensor([1, 2])  ← x=1, y=2 지점

meshgrid 활용: 2D 함수 시각화

# z = sin(x) * cos(y) 함수의 격자 계산
x = torch.linspace(-math.pi, math.pi, 50)
y = torch.linspace(-math.pi, math.pi, 50)

grid_x, grid_y = torch.meshgrid(x, y, indexing='ij')
z = torch.sin(grid_x) * torch.cos(grid_y)

print(z.shape)      # torch.Size([50, 50])
print(z.min())      # ≈ -1.0
print(z.max())      # ≈  1.0

핵심 요약

torch.arange(start, end, step) → 간격 기준 수열, end 미포함
torch.linspace(start, end, steps) → 개수 기준 수열, end 포함, 좌표축에 적합
torch.logspace(start, end, steps) → 로그 스케일 수열, 학습률 탐색에 유용
torch.eye(n) → n×n 단위행렬, 원-핫 인코딩 생성에도 활용
torch.meshgrid(x, y, indexing='ij') → 2D 좌표 격자, indexing 명시 필수