Pytorch实用方法整理（1）——生成随机数Tensor的方法汇总

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：