前言
作为测试用例,生成随机矩阵或者tensor很重要。可这个操作在numpy和Pytorch中略有区别。故在此处整理出。
Numpy
numpy.random 生成随机数
如numpy.random.rand(2,3)
推荐使用方式
# 带键值对的方式,好记
a = np.random.uniform(low=1,high=2,size=[255,255,3])
a = np.random.normal(loc=1,scale=2,size=[255,255,3])
# 若需要改变类型
a.astype(np.int)
numpy.random.choice 随机挑选
注意,这是对一维数据
random.choice(a, size=None, replace=True, p=None)
>>>np.random.choice(5, 3)
array([0, 3, 4])
>>>aa_milne_arr = ['pooh', 'rabbit', 'piglet', 'Christopher']
>>>np.random.choice(aa_milne_arr, 5, p=[0.5, 0.1, 0.1, 0.3])
array(['pooh', 'pooh', 'pooh', 'Christopher', 'piglet'],
dtype='<U11')
np.random.choice(5, 3, p=[0.1, 0, 0.3, 0.6, 0])
array([3, 3, 0])
numpy.random.shuffle 打乱顺序
- 只对最外侧维度进行,内层不变
- 没有返回值
>>>a1 = np.arange(9).reshape((3, 3))
>>>a1
array([[0, 1, 2],
[3, 4, 5],
[6, 7, 8]])
>>>np.random.shuffle(a1)
>>>a1
array([[3, 4, 5],
[0, 1, 2],
[6, 7, 8]])
Pytorch
生成随机tensor
-
torch.rand
在[0,1)上均匀分布,一般这个就够用了。
torch.rand(*size, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False) → Tensor
a = torch.rand(size=[3,2])
-
torch.rand_like
返回和某个tensor一样size的tensor,在[0,1)上均匀分布,并且dtype、device、layout相同。
torch.rand_like(input, dtype=None, layout=None, device=None, requires_grad=False) → Tensor
a = torch.tensor([3., 4.]) b = torch.rand_like(a)
-
torch.randn
标准正态分布,~N(0,1)
torch.randn(*size, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False) → Tensor
c = torch.randn(size=[3,2])
-
torch.randint
指定范围的均匀分布,并且是返回整数类型
torch.randint(low=0, high, size, *, generator=None, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False) → Tensor
c = torch.randint(low=0,high=5,size=[3,2])
-
类似的
类似于torch.rand_like,还有torch.randn_like和torch.randint_like
参考
- Python数据分析与展示 - 北京理工大学
- https://numpy.org/doc/stable/reference/index.html
- https://pytorch.org/docs/1.4.0/