python中调用numpy生成正太分布时，numpy.random.randn()与rand()的区别

最新推荐文章于 2023-09-23 21:53:12 发布
VIP文章 最新推荐文章于 2023-09-23 21:53:12 发布
阅读量2.5k 收藏 3
点赞数 1
分类专栏： python 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_34703466/article/details/80535172
版权

进行深度学习时，常常需要使用一些正太分布数据，numpy就提供了很多方法，生成正太分布数据，减少了我们很多工作量 

numpy.random.randn(x1,x2,x3.....)是从标准正态分布中返回一个或多个样本值。 

最低0.47元/天 解锁文章
LeavyRock
关注
  • 1
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
为什么你用不好Numpy的random函数？
weixin_30693683的博客
05-17 3036
为什么你用不好Numpy的random函数？ 在python数据分析的学习和应用过程中，经常需要用到numpy的随机函数，由于随机函数random的功能比较多，经常会混淆或记不住，下面我们一起来汇总学习下。 import numpy as np 1 numpy.random.rand() numpy.random.rand(d0,d1,…,dn) rand函数根据给定维度生成...
python中randn函数_numpy.random.randn()用法
weixin_39670511的博客
12-09 7932
import numpy as np1 numpy.random.rand()numpy.random.rand(d0,d1,…,dn)rand函数根据给定维度生成[0,1)之间的数据，包含0，不包含1dn表格每个维度返回值为指定维度的array2 numpy.random.randn()numpy.random.randn(d0,d1,…,dn)randn函数返回一个或一组样本，具有标准正态分布...
基于numpy.random.randn()与rand()的区别详解
09-20
下面小编就为大家分享一篇基于numpy.random.randn()与rand()的区别详解，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
Numpy常用random随机函数
分享关于数据的知识。
01-19 5631
只要random.seed( * ) seed里面的值一样，那随机出来的结果就一样。所以说，seed的作用是让随机结果可重现。也就是说当我们设置相同的seed，每次生成的随机数相同。如果不设置seed，则每次会生成不同的随机数。使用同一个种子，每次生成的随机数序列都是相同的。
[小白系列][Numpy基础]random函数的各种方法全解析
KaelCui的博客
03-31 2128
np.random.normal()的意思是一个正态分布，normal这里是正态的意思。 numpy.random.normal(loc,scale,size) 意义如下： 参数loc(float)：正态分布的均值，对应着这个分布的中心。loc=0说明这一个以Y轴为对称轴的正态分布， 参数scale(float)：正态分布的标准差，对应分布的宽度，scale越大，正态分布的曲线越矮胖，scale越...
np.random.randn函数详解
RELANGGUSHI的博客
10-03 4万+
不同个数参数输出的讲解： 一个参数时： x = np.random.randn(3) 输出一行三列的一维数组： 两个参数时： x = np.random.randn(4,3) 输出4行3列的二维数组： 三个参数时： x = np.random.randn(4,3，2) 输出4个小矩阵，每个小矩阵都是3行2列，并且这4个小矩阵组成一个大矩阵 四个参数时： x = np.random.randn(4,3,2,2) 输出：一个大矩阵里包含4个矩阵，然后每个矩阵又有三个矩阵，这三个矩阵分别是2行2列里
Python中NumPy库提供的函数——np.random.randn的基本用法
最新发布
XDXDXDXDX111的博客
09-23 8035
是NumPy中用于生成服从标准正态分布（均值为0，标准差为1）的随机数的函数。它生成的随机数遵循标准正态分布，也称为高斯分布。以下是使用运行结果：这将生成一个或多个服从标准正态分布的随机数。如果要生成服从不同均值和标准差的正态分布随机数，可以使用函数，它为您指定均值和标准差的参数请注意，生成的随机数是伪随机数，它们是通过确定性算法生成的，但通常在实际应用中足够随机。要使随机数生成具有确定性，可以设置随机种子，使用函数，此用于实验的可重复性非常重要。
『Python学习笔记』np.random.rand()函数和np.random.randn()函数
热门推荐
AI新视界
01-13 6万+
1、np.random.rand()函数 语法： np.random.rand(d0,d1,d2……dn) 注：使用方法与np.random.randn()函数相同 作用： 通过本函数可以返回一个或一组服从“0~1”均匀分布的随机样本值。随机样本取值范围是[0,1)，不包括1。应用：在深度学习的Dropout正则化方法中，可以用于生成dropout随机向量（dl）， 例如（keep_...
【知识点】np.random.randn()
mzy20010420的博客
09-12 3740
【知识点】np.random.randn()的应用
详述numpy中的np.random.rand()、np.random.randn()、np.random.randint()、np.random.uniform()函数的用法
BaoITcore的博客
06-14 4万+
np.random.rand()、np.random.randn()、np.random.randint()、np.random.uniform()函数的区别和用法，他们返回值都是怎么样的？本篇文章通过代码带你理解它们各自的作用。
Numpy中np.random.rand()和np.random.randn() 用法和区别详解
12-16
numpy.random.rand(d0, d1, …, dn)的随机样本位于[0, 1)中：本函数可以返回一个或一组服从**“0~1”均匀分布**的随机样本值。 numpy.random.randn(d0, d1, …, dn)是从标准正态分布中返回一个或多个样本值。  1. ...
Python Numpy:找到list中的np.nan值方法
09-20
今天小编就为大家分享一篇Python Numpy:找到list中的np.nan值方法，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
python：numpy.random模块生成随机数
12-21
python中的numpy.random模块提供了常用的随机数生成方法，下面简要总结。 按均匀分布生成随机数 rand 功能 按照均匀分布，在[0,1)内生成随机数。 接口 Docstring: rand(d0, d1, ..., dn) Random values in a given ...
手写数字识别（一）
quinn1994的博客
03-31 2530
在学习识别手写输入数字时，初始化矩阵那里，有点不理解。源代码是这样的：self.biases=[np.random.randn(y,1) for y in sizes[1:]] '''创建一个偏差向量''' self.weights=[np.random.randn(y,x) for x,y in zip(sizes[:-1],sizes[1:])] '''创建一个...
np.random.random()系列函数
weixin_30478923的博客
12-29 969
1.np.random.random()函数参数 np.random.random((1000, 20)) 上面这个就代表生成1000行 20列的浮点数，浮点数都是从0-1中随机。 2.numpy.random.rand()函数用法 numpy.random.rand(d0, d1, ..., dn)： 生成一个[0,1)之间的随机浮点数或N维浮点数组。 ...
numpy常用函数之randn
weixin_30245867的博客
04-27 1906
numpy中有一些常用的用来产生随机数的函数，randn就是其中一个，randn函数位于numpy.random中，函数原型如下： numpy.random.randn(d0, d1, ..., dn) 这个函数的作用就是从标准正态分布中返回一个或多个样本值。什么是标准正态分布，大哥，你别吓我，上过高中吗？标准正态分布俗称高斯分布，正态分布是大自然中最常见的分布，标准正态分布就是期望为0，方差...
numpy.random模块常用函数
知识搬运工的博客
05-28 2098
在Numpy库中，常用使用np.random.rand()、np.random.randn()和np.random.randint()随机函数。 1、 np.random.randn()函数 作用：返回一个或一组服从标准正态分布的随机样本值 1)当函数括号内没有参数时，则返回一个浮点数； 2）当函数括号内有一个参数时，则返回秩为1的数组，不能表示向量和矩阵； 3）当函数括号内有两个及以上...
np.random.randn()
星云
07-28 1431
randn(d0, d1, …, dn) 从标准正态分布返回一个或多个样本。 如果提供了正的类int参数，randn生成一个形状为（d0，d1，…，dn）的数组，其中填充了从均值为0且方差为1的正态分布中采样的随机浮点。如果没有提供参数，则返回一个浮点数。 欲得到均值为μ且方差为σ的正太分布则对返回值ret进行简单变化ret=ret*sigma+mu即可。 # -*- coding: utf-8 -*- import numpy as np import PIL.Image as Image import.
Numpy创建正态分布和均匀分布
但行好事，莫问前程
06-07 2万+
一、正态分布 二、均匀分布
翻译这段程序并自行赋值调用：import matplotlib.pyplot as plt import numpy as np import sklearn import sklearn.datasets import sklearn.linear_model def plot_decision_boundary(model, X, y): # Set min and max values and give it some padding x_min, x_max = X[0, :].min() - 1, X[0, :].max() + 1 y_min, y_max = X[1, :].min() - 1, X[1, :].max() + 1 h = 0.01 # Generate a grid of points with distance h between them xx, yy = np.meshgrid(np.arange(x_min, x_max, h), np.arange(y_min, y_max, h)) # Predict the function value for the whole grid Z = model(np.c_[xx.ravel(), yy.ravel()]) Z = Z.reshape(xx.shape) # Plot the contour and training examples plt.contourf(xx, yy, Z, cmap=plt.cm.Spectral) plt.ylabel('x2') plt.xlabel('x1') plt.scatter(X[0, :], X[1, :], c=y, cmap=plt.cm.Spectral) def sigmoid(x): s = 1/(1+np.exp(-x)) return s def load_planar_dataset(): np.random.seed(1) m = 400 # number of examples N = int(m/2) # number of points per class print(np.random.randn(N)) D = 2 # dimensionality X = np.zeros((m,D)) # data matrix where each row is a single example Y = np.zeros((m,1), dtype='uint8') # labels vector (0 for red, 1 for blue) a = 4 # maximum ray of the flower for j in range(2): ix = range(Nj,N(j+1)) t = np.linspace(j3.12,(j+1)3.12,N) + np.random.randn(N)0.2 # theta r = anp.sin(4t) + np.random.randn(N)0.2 # radius X[ix] = np.c_[rnp.sin(t), rnp.cos(t)] Y[ix] = j X = X.T Y = Y.T return X, Y def load_extra_datasets(): N = 200 noisy_circles = sklearn.datasets.make_circles(n_samples=N, factor=.5, noise=.3) noisy_moons = sklearn.datasets.make_moons(n_samples=N, noise=.2) blobs = sklearn.datasets.make_blobs(n_samples=N, random_state=5, n_features=2, centers=6) gaussian_quantiles = sklearn.datasets.make_gaussian_quantiles(mean=None, cov=0.5, n_samples=N, n_features=2, n_classes=2, shuffle=True, random_state=None) no_structure = np.random.rand(N, 2), np.random.rand(N, 2) return noisy_circles, noisy_moons, blobs, gaussian_quantiles, no_structure
05-24
no_structure = np.random.rand(N, 2), np.random.rand(N, 2) return noisy_circles, noisy_moons, blobs, gaussian_quantiles, no_structure ``` 这段程序中包含了以下函数： - `plot_decision_boundary(model...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值