np.random.multinomial(n, pvals, size=None) -> 取到的次数分布数组
该函数表示根据一个概率数组,取若干次,得到一个次数分布数组
- 参数说明:
–n : 从矩阵中取值次数;
–pvals:根据概率取值,这是一个数组,并且所有数据之和为1;
–size:输出的维度,默认为1,即1 x pvals
例子:
a = np.random.rand(6)
print(a) # array([0.02863448, 0.7349202 , 0.80195879, 0.50008183, 0.83031138, 0.40385662]
p = [p.data / np.sum(a).data for p in a] # 将矩阵变成和为1的概率表示
print(p) # [0.008677738047479532, 0.22271906619609225, 0.2430352465397527, 0.15155081880343593, 0.25162755778517704, 0.1223895726280625]
np.sum(p) # 结果为1
res = np.random.multinomial(400000, p, size=1)
print(res) # 结果: array([[ 3463, 89565, 96751, 60978, 100525, 48718]]) -- 表示p矩阵每个位置上的取到的次数
从上可以看到,该函数是根据一个和为1的概率列表,根据相应的概率取值,得到一个次数数组。概率大的取到的次数多。个人感觉这个函数没什么用,反正我很少用到,可能在某些地方有特殊用处吧。
np.random.choice(a, size=None, replace=True, p=None) -> 从原始矩阵取到的值的数组
该函数表示从一个数组中按照每个位置的概率(权重)取若干个值,得到一个数值数组。该函数可以在需要根据概率取值的时候用,非常好用。可以让你每次都不会固定取到某个值,而是概率大的取到的值得概率大
- 参数说明:
–a : 原始取值矩阵;
–size:取值得个数,int;如果replace为False,大小必须和a和p一致;如果replace为True,大小随意
–replace:默认True, bool,表示有放回,就是有可能会取到相同的数据,如果设置为False,则不会取到重复的数据;
–p:每个值对应的概率;和a的长度必须一样
例子:
x = np.arange(10, 16)
print(x) # [10 11 12 13 14 15] --- 原始数组
res = np.random.choice(a=x, size=6, replace=True, p=p)
print(res) # 有放回结果,[15 11 14 14 12 11] 11和14重复取了
res = np.random.choice(a=x, size=6, replace=False, p=p)
print(res) # 无放回结果:[12 14 11 13 15 10] ,没有重复的元素
# res = np.random.choice(a=x, size=7, replace=False, p=p) # 报错
res = np.random.choice(a=x, size=7, replace=True, p=p) # 有放回,size可以大于len(a)
print(res) # [13 11 14 13 13 14 12]
torch.multinomial(input, num_samples, replacement=False, out=None) -> LongTensor, 取到的值得索引数组
该函数和np.random.choice类似,但是返回的是取到的值得下标(np返回的是数据本身),可以拿到该下标之后,然后再从原始的tensor矩阵中取值,效果一样的。
- 参数说明:
–input : 原始取值数组,tensor类型,和必须为1;
–num_samples:取值得个数,int;如果replace为False,大小必须和input一致;如果replace为True,大小随意;
–replace:默认True, bool,表示有放回,就是有可能会取到相同的数据,如果设置为False,则不会取到重复的数据;
–out:输出。
例子:
res = torch.multinomial(torch.tensor(p), 7, replacement=True) # replacement=True表示有放回的取样,新版本torch不会取到权重为0的数据
# 不管有无放回,每次取得都是权重较大的索引,所以每次的结果一般都不同
print(res) # tensor([1, 1, 4, 1, 2, 4, 2])
res = torch.multinomial(torch.tensor(p), 6, replacement=False)
print(res) # tensor([2, 4, 1, 5, 3, 0])
print(torch.tensor(p).gather(0, res)) # 根据索引取值,tensor([0.2430, 0.2516, 0.2227, 0.1224, 0.1516, 0.0087])
如果大家不知道如何根据下标取值,可以参考鄙人的另外一篇博客:torch.gather函数利用索引矩阵进行取值