numpy 随机数_Numpy库使用入门（四）随机数

ERNIE：当你神经网络好不容易搭完后，启动它要做的第一件事是什么？
BERT：emm......当然是把参数矩阵中塞满随机数啦(｀・ω・´)。可是我懒得写循环......
ERNIE：没事，咱俩一开始时，参数矩阵就都是随机数啦，或许也包括我现在说的这句话。

基础np随机数生成函数

numpy有一个random子库，用法与python原本的random库差不多，调用时记得加上random：np.random.<方法>

IDE测试

>>> np.random.rand(3,3) #生成一个3*3的随机数矩阵
array([[0.28034402, 0.7632137 , 0.77616993],
       [0.67435242, 0.17635725, 0.48415525],
       [0.6530347 , 0.33255404, 0.44074308]])
>>> np.random.randn(3,3) #矩阵元素符合正态分布
array([[ 0.19233304,  0.85012517,  1.17034056],
       [-0.30448713, -2.2180847 , -0.09353092],
       [ 0.5803468 ,  0.59346808, -0.60543587]])
>>> np.random.randint(0,10,(3,3)) #每个元素都是范围在[0,10)的随机整数
array([[0, 1, 3],
       [7, 5, 5],
       [0, 9, 1]])
>>> np.random.seed(10) #通过设定同一个随机数种子，可以使得生成的随机数完全相同
>>> np.random.randint(100,200,(3,4))
array([[109, 115, 164, 128],
       [189, 193, 129, 108],
       [173, 100, 140, 136]])
>>> np.random.randint(100,200,(3,4))
array([[116, 111, 154, 188],
       [162, 133, 172, 178],
       [149, 151, 154, 177]])
>>> np.random.seed(10)
>>> np.random.randint(100,200,(3,4))
array([[109, 115, 164, 128],
       [189, 193, 129, 108],
       [173, 100, 140, 136]])

np的高级随机数函数

IDE测试

>>> a = np.random.randint(100,200,(3,4))
>>> a
array([[116, 111, 154, 188],
       [162, 133, 172, 178],
       [149, 151, 154, 177]])
>>> np.random.shuffle(a) #只对a的第一个轴（0轴，即axis=0）洗牌
>>> a
array([[116, 111, 154, 188],
       [149, 151, 154, 177],
       [162, 133, 172, 178]]) 
>>> np.random.shuffle(a) #我们洗了两次牌，可以看到只有列方向的三个元素之间交换了元素
>>> a
array([[162, 133, 172, 178],
       [116, 111, 154, 188],
       [149, 151, 154, 177]]) 

随机数函数的展示不够直观，需要使用可以自己尝试

概率分布函数

IDE测试

>>> a = np.random.uniform(0,10,(3,4))
>>> a
array([[3.7334076 , 6.74133615, 4.41833174, 4.34013993],
       [6.17766978, 5.13138243, 6.50397182, 6.01038953],
       [8.05223197, 5.21647152, 9.08648881, 3.19236089]])
>>> a = np.random.normal(10,5,(3,4))
>>> a
array([[ 8.66341406,  7.25345493, 10.66354148,  7.61928993],
       [16.5423654 , 10.9750664 , 12.00104994,  8.31183831],
       [16.28236132,  6.34015249, 13.30115776,  8.24564054]])

相关知识请米娜桑参考概率论与数理统计