Pytorch实用教程：随机数相关函数：、、用法介绍

文章目录

- 整体介绍
- ()
- ()
- ()
- - 函数格式
  - 参数说明
  - 函数作用
  - 应用示例

整体介绍

在PyTorch中，与随机数相关的函数主要有以下几个：

()
- 功能：生成具有均匀分布的随机数，这些随机数的范围在[0, 1)之间。
- 示例：(3, 4) 会生成一个形状为(3, 4)的张量，元素值在[0, 1)之间。
()
- 功能：生成具有标准正态分布（均值为0，标准差为1）的随机数。
- 示例：(2, 3) 将创建一个形状为(2, 3)的张量，其中的元素是遵循标准正态分布的随机数。
()
- 功能：生成指定范围内的随机整数。
- 示例：(low=0, high=10, size=(3,4)) 会生成一个形状为(3, 4)的张量，元素值是在[0, 10)范围内的随机整数。

这些函数都接受形状参数（size 或 *sizes），用于指定生成的随机张量的形状。此外，它们还可以接受其他可选参数，如数据类型（dtype）、设备（device）等，以便更精确地控制生成的随机张量的属性。

请注意，除了上述函数外，PyTorch还提供了其他与随机数相关的函数和工具，但这些是最常用和基本的随机数生成函数。

()

是 PyTorch 中的一个函数，用于生成具有均匀分布的随机数。这个函数非常有用，尤其是在需要随机初始化数据、添加噪声或进行随机数据增强时。

函数的基本使用方法如下：

torch.rand(*sizes, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False)

参数解释：

*sizes：定义输出张量的形状。例如，(3, 4) 将生成一个 3x4 的张量。
out (可选)：如果提供，则输出的结果将保存在这个张量中。这样做可以避免反复创建新的张量，从而提高内存使用效率。
dtype (可选)：指定返回张量的数据类型，如 torch.float32、torch.float64 等。如果未指定，则默认为 torch.float32。
layout (可选)：指定返回张量的内存布局。在大多数情况下，你可以忽略这个参数，除非你需要特定的内存布局。
device (可选)：指定张量应该在哪个设备上（如 CPU 或 GPU）。
requires_grad (可选)：指定是否需要计算梯度，默认为 False。这在进行神经网络训练时很重要，但在仅生成随机数时通常可以忽略。

示例：

import torch

# 生成一个形状为 (3, 4) 的随机数张量
tensor = torch.rand(3, 4)
print(tensor)

输出：

tensor([[0.6721, 0.4290, 0.2070, 0.8656],
        [0.8860, 0.5206, 0.5772, 0.3537],
        [0.7590, 0.2869, 0.9794, 0.5584]])

这段代码将输出一个 3x4 的张量，其中的元素是从 0 到 1 的均匀分布中随机抽取的。

()

() 是 PyTorch 中的一个函数，用于生成具有标准正态分布（均值为0，标准差为1）的随机数张量。这个函数在深度学习和数据科学中非常有用，尤其是在需要随机初始化模型参数、生成随机数据或添加正态分布的噪声时。

函数的基本使用方法如下：

torch.randn(*sizes, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False)

参数解释：

*sizes：这是一个可变参数，用于指定生成张量的形状。例如，(3, 4) 会生成一个 3x4 的张量。
out (可选)：如果提供，输出的结果将保存在这个张量中。这可以避免反复创建新的张量，有助于节省内存。
dtype (可选)：指定返回张量的数据类型，比如 torch.float32 或 torch.float64。如果未指定，默认为 torch.float32。
layout (可选)：指定返回张量的内存布局。在大多数情况下，可以使用默认值。
device (可选)：指定张量应该在哪个设备上创建，比如 CPU 或 GPU。
requires_grad (可选)：指定是否需要计算梯度，默认为 False。在进行神经网络训练时这个参数很重要，但如果只是生成随机数，通常可以忽略。

示例：

import torch

# 生成一个形状为 (2, 3) 的标准正态分布随机数张量
tensor = torch.randn(2, 3)
print(tensor)

输出：

tensor([[ 0.5755, -0.2951,  1.4055],
        [ 1.2965,  2.2931,  1.5677]])

这段代码将输出一个 2x3 的张量，其中的元素是从标准正态分布中随机抽取的。这意味着每个元素的均值接近0，标准差接近1（但由于是随机抽样，实际值可能会有所偏差）。

() 是深度学习中常用的函数之一，特别是在初始化模型权重和偏置时，因为正态分布有助于模型在训练开始时保持稳定性。

()

() 是 PyTorch 中的一个函数，用于生成在指定范围内的随机整数张量。以下是对 () 函数的详细介绍：

函数格式

torch.randint(low=0, high, size, *, generator=None, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False) → Tensor

参数说明

low (int, optional): 随机整数生成的最小值（包含），默认为0。
high (int): 随机整数生成的最大值（不包含）。
size (tuple): 定义输出张量形状的元组。
generator (, optional): 用于采样的伪随机数生成器。
out (Tensor, optional): 输出张量。
dtype (, optional): 如果未指定，则返回一个带有 torch.int64 数据类型的张量。
layout (, optional): 返回张量的所需布局。默认为。
device (, optional): 返回张量的所需设备。如果为 None，则使用当前设备作为默认张量类型。
requires_grad (bool, optional): 如果 autograd 应该在返回的张量上记录操作。默认为 False。

函数作用

返回一个填充了随机整数的张量，这些整数在 low（包含）和 high（不包含）之间均匀生成。
张量的形状由变量参数 size 定义。

应用示例

import torch

# 生成一个形状为 (2, 20) 的张量，其中的元素是在 0（包含）到 100（不包含）之间的随机整数
tensor=torch.randint(0, 100, (2, 20))
print(tensor)

结果：

tensor([[50, 78, 43, 10, 57,  1, 20,  3, 76, 18, 63, 65, 69, 33, 58, 98, 37, 74,
         74, 70],
        [16,  5, 20, 25, 88, 41, 47, 91, 45, 42, 70, 76,  1, 33, 93, 82, 34, 40,
         64, 75]])

在这个例子中，() 生成了一个形状为 (2, 20) 的张量，张量中的每个元素都是一个在 [0, 100) 范围内的随机整数。这个函数在需要随机索引、随机抽样或者初始化整数参数等场景中非常有用。

秒客网