Numpy笔记2--关于随机数

numpy的随机数可以说是让人头大的东西，很多很烦。网上关于这方面的笔记已经有很多了，我这里只是记录一下自己的学习记录。

我建议numpy随机数应该和TensorFlow的联系在一起记。因为二者很像。

这里就事论事，目前只讨论numpy的随机数，一下都是我认为有必要记下来的，太偏的可以用的时候再查。

函数名	介绍	举例
rand(d0,d1,…,dn)	根据d0‐dn(这是维度）创建随机数数组，浮点数， [0,1)，均匀分布	a = np.random.rand(6) b=np.random.rand(2,3)
randn(d0,d1,…,dn)	根据d0‐dn（维度）创建随机数数组，标准正态分布	a=np.random.randn(6) 或者b = np.random.randn(2,3)
randint(low[,high,shape])	根据shape创建随机整数或整数数组，范围是[low, high)	a = np.random.randint(4) 或者 b = np.random.randint(2,3,(3,4))
uniform(low,high,size)	产生具有均匀分布的数组,low起始值,high结束值,size形状	b = np.random.uniform(2,3,(3,3))
normal(loc,scale,size)	产生具有正态分布的数组,loc均值,scale标准差,size形状	b = np.random.normal(1,2,(3,))

一、rand(d0,d1,…,dn)

这里的（）里面其实是维度的数字，不加括号！具体看表格的举例
代码：

# !/usr/bin/python3
# -*-coding:UTF-8-*-
# By WILL
#(0,1]均匀分布
import numpy as np
a = np.random.rand(6)#6个元素的一维数组
b = np.random.rand(2,3,4)#shape为（2，3，4）的三维数组
print(a)
print(b)

输出：

[0.24903965 0.64913743 0.1737653  0.34785809 0.2170771  0.29336794]
[[[0.13402201 0.39148006 0.46136384 0.97294437]
  [0.5119429  0.68646208 0.61238962 0.25009788]
  [0.40213124 0.48821726 0.76121545 0.46718131]]

 [[0.8197439  0.76674252 0.90323344 0.27352438]
  [0.08372028 0.32380205 0.58475252 0.24506404]
  [0.43177359 0.11136429 0.92542631 0.60708086]]]

这里(2,3,4)的矩阵我稍微讲一下，就是2个3*4的矩阵拼成的高阶矩阵而已。

二、randn(d0,d1,…,dn)

# !/usr/bin/python3
# -*-coding:UTF-8-*-
# By WILL
import numpy as np
a = np.random.randn(6)
b = np.random.randn(2,3)#注意括号，不是np.random.randn((2,3))
print(a)
print(b)

输出：

#标准正态分布随机数
[-1.34022921 -0.56640098  0.66925275  1.44626578 -0.71127973  0.33580923]
[[-0.45992754 -1.13502646  0.00483663]
 [ 0.75163909 -1.27879153  2.6424086 ]]

三、randint(low[,high,shape])

# !/usr/bin/python3
# -*-coding:UTF-8-*-
# By WILL
import numpy as np
a = np.random.randint(4)#只写一个数字，这个代表上限，即输出0，1，2，3这4种情况
b = np.random.randint(2,3,(3,4))#生成一个全是2的3*4的矩阵，顾头不顾尾
print(a)
print(b)

输出：

1
[[2 2 2 2]
 [2 2 2 2]
 [2 2 2 2]]

插入：关于前面3种的size问题

我之前一直强调：
np.random.rand与randn（2，3）不是（（2，3））。就是要注意下面讲的都是要加（）的。再举个例子，就知道我为什么要强调这个了：

import numpy as np
c = np.random.rand(4,5)
d = np.random.randint(3,4,c.shape)
e = np.random.randn(c.shape)#会报错

输出：TypeError: 'tuple' object cannot be interpreted as an integer
应写为：

import numpy as np
c = np.random.rand(4,5)
d = np.random.randint(3,4,c.shape)#输全为3的整数（3x4）
#e = np.random.randn(c.shape)#会报错
e = np.random.randn(*c.shape)#输出4x5的服从标准正态分布的随机数
print(d)
print(e)

输出：

[[3 3 3 3 3]
 [3 3 3 3 3]
 [3 3 3 3 3]
 [3 3 3 3 3]]
[[-0.00753196 -1.06003821  1.1917362   0.45080751 -0.49987723]
 [-0.12736549  0.72831398 -0.22197463 -0.84474108 -0.34209557]
 [ 1.30245695 -1.61219897  1.95850545  0.06050734 -1.08363601]
 [-0.07553212  0.41066717  0.39855432  0.20106866 -0.30214129]]

四、uniform(low[,high,shape])

import numpy as np                
a = np.random.uniform(4)#1-4随机数,若填1，则只输出1.若填0，则0-1          
b = np.random.uniform(2,3,(3,3))  
print(a)                          
print(b)                          

输出：

1.2352355899190335
[[2.18358231 2.84459801 2.66078497]
 [2.73159788 2.13475238 2.05381502]
 [2.385709   2.09562214 2.85188914]]

五、normal(loc,scale,size))

import numpy as np               
a = np.random.normal(1,2,(3,3))#1为均值，2为标准差  
b = np.random.normal(1,2,(3,))#1为均值，2为标准差   
print(a)                         
print(b)                         

输出：

[[ 3.41851261  3.27833347 -0.80306351]
 [ 0.6024089   0.8783569  -1.69507413]
 [-0.57707056  3.63375433  0.94453682]]
[2.71113466 1.08183334 3.78544957]

（陆续更新）