python中不具备np_Python中np.random.multivariate_normal问题？

首先看一下一维正太分布的公式：

其中μ为均值，σ为标准差。正太分布的草图如下图所示。

再看numpy提供的函数的参数：

multivariate_normal(mean, cov, size=None, check_valid=None, tol=None)

在一维正太分布中，第一个参数mean就是这里的均值μ，第二个参数cov就是方差【公式Cov(X，X)=D(X)，这里只是猜测】，第三个参数size就是生成的正态分布矩阵的维度

如下图，均值设置为3，方差为1，然后取100个点生成一维矩阵Y来绘制散点图，打印出方差接近设定的值1

可以看到散点图如下图，图中可以看出，100个散点的均值大致是3(看Y轴)

再看二维正太分布的公式：

这里μ1，μ2分别为变量X，Y的均值；σ1，σ2为分别为变量X，Y的标准差。草图如下。

再看协方差的定义，以及协方差与期望值的关系

函数multivariate_normal(mean, cov, size=None, check_valid=None, tol=None)在二维正太分布中，

mean是变量X和Y的均值，它的维度为一维。

cov是一个协方差矩阵，它的组成如下，在tensorflow中一般设置cov(x,y)=cov(y,x)=0

size表示生成的正态分布矩阵的维度，如size维度为(1,3,2)，那么生成的正太分布矩阵维度为:1*3*2*len(mean)

其他几个参数见链接

接着设置mean=[3，0]，cov=diag(1，1)，使用300个点绘制散点图，打印出X和Y的方差均接近于设定的值1

可以看到散点图中，X和Y的均值大致上分别是3和0

可依此类推至多维正太分布中。

由于初学深度学习，也是费了一番功夫百度找到一些资料，再加上代码验证所写，难免会有各种错误。错误之处还请指出，谢谢。