PyTorch基础学习：生成随机数(torch.rand()、torch.randn()、torch.randint()、torch.randperm())

🚀 PyTorch基础学习：生成随机数(torch.rand()、torch.randn()、torch.randint()、torch.randperm()) 🚀

🌈 个人主页：高斯小哥
🔥 高质量专栏：Matplotlib之旅：零基础精通数据可视化、Python基础【高质量合集】、PyTorch零基础入门教程
👈 希望得到您的订阅和支持~ 💡 创作高质量博文(平均质量分92+)，分享更多关于深度学习、PyTorch、Python领域的优质内容！（希望得到您的关注~）

---

  👋大家好，欢迎来到我的技术博客！今天，我们将深入探讨PyTorch中生成随机数的几种方法，包括torch.rand()、torch.randn()、torch.randint()和torch.randperm()。这些函数在深度学习和神经网络训练中经常用到，因此了解它们的工作原理和用法非常重要。

文章关键词：#PyTorch #随机数生成 #torch.rand() #torch.randn() #torch.randint() #torch.randperm() #深度学习 #神经网络训练

一、🤔 为什么要生成随机数？

  在深度学习中，随机数扮演着非常重要的角色。它们通常用于初始化神经网络权重、构建数据集、进行数据增强、随机打乱训练数据等。通过使用随机数，我们可以增加模型的泛化能力，防止过拟合，并提高模型的性能。

二、😅 如何生成随机数？

1. torch.rand()

  torch.rand()函数用于生成具有均匀分布的随机数，这些随机数的范围在[0, 1)之间。它接受一个形状参数（shape），返回一个指定形状的张量（Tensor）。

示例代码：

import torch

# 生成一个形状为(3, 4)的张量，元素值在[0, 1)之间
tensor = torch.rand((3, 4))
print(tensor)

输出：

tensor([[0.1490, 0.7928, 0.0411, 0.5075],
        [0.0754, 0.8043, 0.7533, 0.1298],
        [0.5087, 0.1185, 0.6706, 0.9509]])

进程已结束,退出代码0

2. torch.randn()

  torch.randn()函数用于生成具有标准正态分布的随机数，即均值为0，标准差为1的随机数。它同样接受一个形状参数，并返回一个指定形状的张量。

示例代码：

import torch

# 生成一个形状为(3, 4)的张量，元素值服从标准正态分布
tensor = torch.randn((3, 4))
print(tensor)
print("均值:", tensor.mean().item())
print("标准差:", tensor.std().item())

输出：

tensor([[ 1.7490, -0.1910, -0.6926,  0.2398],
        [ 0.9135, -0.3359,  1.0442,  0.7824],
        [-0.7138,  0.1682, -1.2245, -0.3747]])
均值: 0.1137121245265007
标准差: 0.868906557559967

进程已结束,退出代码0

3. torch.randint()

  torch.randint()函数用于生成指定范围内的整数随机数。它接受三个参数：low（最小值）、high（最大值）和形状（shape）。返回的张量中的元素值将在**[low, high)**范围内。

示例代码：

import torch

# 生成一个形状为(3, 4)的张量，元素值在[0, 10)之间
tensor = torch.randint(0, 10, (3, 4))
print(tensor)

输出：

tensor([[4, 0, 8, 4],
        [0, 9, 4, 3],
        [0, 3, 9, 3]])

进程已结束,退出代码0

4. torch.randperm()

  torch.randperm()函数用于生成一个从0到n-1的随机整数排列。它接受一个参数n，返回一个长度为n的张量，其中包含从0到n-1的随机整数，每个整数只出现一次。

示例代码：

import torch

# 生成一个长度为10的随机整数排列
tensor = torch.randperm(10)
print(tensor)

输出：

tensor([0, 7, 1, 2, 9, 6, 3, 5, 4, 8])

进程已结束,退出代码0

三、🎯 其他注意事项

• 在使用随机数函数时，需要注意生成的随机数是否满足你的需求，比如分布类型、范围等。
• 在进行深度学习实验时，设置随机数种子（random seed）可以帮助我们复现实验结果。可以使用torch.manual_seed()函数来设置随机数种子。
• 生成随机数时，要注意张量的形状和数据类型，确保它们与你的模型和数据相匹配。

四、🎁 回顾与收获

  通过本文的学习，我们了解了PyTorch中生成随机数的几种方法，包括torch.rand()、torch.randn()、torch.randint()和torch.randperm()。这些函数在深度学习和神经网络训练中非常重要，掌握它们的用法可以帮助我们更好地进行模型训练和数据预处理。同时，我们还学习了随机数的一些注意事项，如分布类型、范围、随机数种子等。希望本文能对你的PyTorch学习有所帮助！

五、🤝 期待与你共同成长

  在深度学习和PyTorch的学习过程中，我们可能会遇到各种问题和挑战。但是，只要我们保持学习的热情，勇于探索和实践，相信我们一定能够不断进步，共同成长。期待你在实践中运用本文所学的知识，分享你的经验和技巧，让我们一起在深度学习的道路上不断前行！