tensorflow学习之路（二）numpy中生成随机样本的的常用方法介绍

一、1、numpy中random方法的使用：（用来生成随机样本点）

1、numpy.random.rand(d0, d1, ....dn):

    生成指定形状的数组，其元素值是在均匀分布[0, 1]之间随机生成，其中d0, ...dn表示的是数组的大小（也就是维数，只有一个数字时默认是一维的），如果不指定大小，默认返回一个随机数值。数组默认的返回类型是float.如果指定100，那么返回一个1*100的一维数组。

例如：

1. w0 = np.random.rand()
2. print w0, "\n"
4. w00 = np.random.rand( 2, 3)
5. print w00, "\n"

1. 0.528211605811 #0-1之间的随机值
3. [[ 0.89478507 0.81066081 0.04658165] #0-1之间的随机值
4. [ 0.88438714 0.76890682 0.86752058]]

2、numpy.random.randn(d0, d1, ...dn):

  从标准正态分布中返回一个随机样本。

<1>、无参数

1. w1 = np.random.randn()
2. print w1, "\n"

-0.755503212712 

<2>指定返回样本的大小

1. w2 = np.random.randn(2, 3)
2. print w2, "\n"

1. [[ 0.34894362 -0.90593742 1.41079113]
2. [ -0.67110078 -0.21309708 1.01333301]]

<3>从指定方差和均值的正态分布中随机生成一个样本：

  样式：

  sigma * numpy.random.randn(d0, ...,dn) + mu

1. sigma = 1.3
2. w3 = sigma * np.random.randn( 2, 3)
3. print w3

1. [[ 1.12659049 -2.13454097 -0.84336796]
2. [ -0.00758082 -0.52353856 0.9649422 ]]

3、np.random.randint(0,10,size=3)  #等价于np.random.randint(0,10,3)          #生成0-10的3个随机整数，只有一个数字3表示是生成一个1*3的一维矩阵

array([6, 7, 7])                               #为1*3的矩阵

np.random.randint(0,10,size=(3,3))

Out[351]:                                         
array([[5, 1, 4],

         [2, 8, 4],                                       #为3*3的矩阵                              

         [4, 2, 3]])

5、x=['Python','data','random','Mining','good']
random.shuffle(x)
print (x)
                                                                    
                                                                              # 用于将一个列表中的元素打乱,
['Mining', 'Python', 'random', 'data', 'good']

6、lists=[1,2,3,4,5,6,7,8,10]                                  #从指定序列中随机获取指定长度的片断
a=random.sample(lists,3)
print (a)


[8, 6, 10]

二、numpy中使用linspace方法生成随机样本点

https://docs.scipy.org/doc/numpy/reference/generated/numpy.linspace.html

numpy.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None)Parameters(参数): 
start : 序列的起始点.
stop : 序列的结束点
num : 生成的样本数，默认是50。必须是非负。
endpoint : 如果True，'stop'是最后一个样本。否则，它不包括在内。默认为True。
retstep :  如果True,返回 (`samples`, `step`)
dtype : 

• 1
• 2
• 3
• 4
• 5
• 6
• 7

---

第1个例子endpoint的使用：

import numpy as np
print(np.linspace(2.0, 3.0, num=5))
print(np.linspace(2.0, 3.0, num=5, endpoint=True))
print(np.linspace(2.0, 3.0, num=5, endpoint=False))

• 1
• 2
• 3
• 4

输出：

[ 2.    2.25  2.5   2.75  3.  ]
[ 2.    2.25  2.5   2.75  3.  ]
[ 2.   2.2  2.4  2.6  2.8]

• 1
• 2
• 3

从上面输出可以看出endpoint=True时，输出包含了“stop”这个样本点；endpoint=False时，输出不包括“stop”这个样本点；默认情况endpoint=True。

---

第2个例子retstep的使用：

import numpy as np

print(np.linspace(2.0, 3.0, num=5))
a = np.linspace(2.0, 3.0, num=5, retstep=True)
print(a)
print(a[0])
print(a[1])

• 1
• 2
• 3
• 4
• 5
• 6
• 7

输出：

[ 2.    2.25  2.5   2.75  3.  ]
(array([ 2.  ,  2.25,  2.5 ,  2.75,  3.  ]), 0.25)
[ 2.    2.25  2.5   2.75  3.  ]
0.25

• 1
• 2
• 3
• 4

retstep=True时输出了步长（step），此时步长为0.25

---

第3个例子：

import numpy as np

import matplotlib.pyplot as plt
N = 8
y = np.zeros(N)
x1 = np.linspace(0, 10, N, endpoint=True)
x2 = np.linspace(0, 10, N, endpoint=False)
plt.plot(x1, y, 'o')
plt.plot(x2, y + 0.5, 'o')
plt.ylim([-0.5, 1])
plt.show()

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11

输出：