1,概述
在实验中,常用的生成随机数Tensor的方法有:
- torch.rand()
- torch.randn()
- torch.normal()
- torch.linspace()
那这些方法的区别呢?只有弄明白它们之间的区别,才可以在不同的应用场景中运用的得心应手.
注:文章内容转自https://zhuanlan.zhihu.com/p/31231210
2,详述
(1)torch.rand(), 均匀分布
1)格式:
- torch.rand(*sizes, out=None) → Tensor
- 返回一个张量,包含了从区间[0, 1)的均匀分布中抽取的一组随机数。张量的形状由参数sizes定义。
2)参数:
- sizes (int...) - 整数序列,定义了输出张量的形状
- out (Tensor, optinal) - 结果张量
3)例子:
(2)torch.randn(), 标准正态分布
1)格式:
- torch.randn(*sizes, out=None) → Tensor
- 返回一个张量,包含了从标准正态分布(均值为0,方差为1,即高斯白噪声)中抽取的一组随机数。张量的形状由参数sizes定义。
2)参数:
- sizes (int...) - 整数序列,定义了输出张量的形状
- out (Tensor, optinal) - 结果张量
3)例子:
(3)torch.normal(), 离散正态分布
1)格式:
- torch.normal(means, std, out=None) → Tensor
- 返回一个张量,包含了从指定均值means和标准差std的离散正态分布中抽取的一组随机数。
- 标准差std是一个张量,包含每个输出元素相关的正态分布标准差。
2)参数:
- means (float, optional) - 均值
- std (Tensor) - 标准差
- out (Tensor) - 输出张量
3)例子:
(4)torch.linspace(), 线性间距向量
1)格式:
- torch.linspace(start, end, steps=100, out=None) → Tensor
- 返回一个1维张量,包含在区间start和end上均匀间隔的step个点。
- 输出张量的长度由steps决定。
2)参数:
- start (float) - 区间的起始点
- end (float) - 区间的终点
- steps (int) - 在start和end间生成的样本数
- out (Tensor, optional) - 结果张量
3)例子: