PyTorch 产生随机数汇总

1. torch.rand

torch.rand(*sizes, out=None) → Tensor

返回一个张量，服从区间[0, 1)的均匀分布，形状由参数sizes定义。

torch.rand(4)

torch.rand(2, 3)

2. torch.randn

torch.randn(*sizes, out=None) → Tensor

返回一个张量（高斯白噪声），服从均值为0，方差为1的标准正太分布，形状由参数sizes定义。

torch.randn(5)

torch.randn(2,4)

3、torch.normal

3.1 torch.normal(means, std, out=None)  注意：没有size参数

返回一个张量，服从指定均值和标准差的正太分布。这个函数稍微有点难理解，

均值means是一个张量，包含每个输出元素相关的正态分布的均值。

标准差std是一个张量，包含每个输出元素相关的正态分布的标准差。

均值和标准差的形状不须匹配，但每个张量的元素个数须相同。

单看上面这个解释稍微有点乱，可分以下几种情况理解：

torch.normal(mean=torch.arange(1., 11.), std=torch.arange(1, 0, -0.1))

随机返回值：tensor([0.8093, 1.4080, 4.1802, 3.6854, 5.4007, 5.5166, 7.3207, 8.0814, 9.2593,     9.7214])

0.8093  # 是从均值为1，标准差为1的正态分布中随机生成的

1.4080  # 是从均值为2，标准差为0.9的正态分布中随机生成的

4.1802  # 是从均值为3，标准差为0.8的正态分布中随机生成的

以此类推......10个元素分别服从不同的相互独立的正态分布。

torch.arange(1., 11.)产生的元素个数为10个（1和11后面必须带浮点"."，否则会报错），torch.arange(1, 0, -0.1)产生的元素个数为10个，因此均值和标准差的元素个数必须相同。且mean和std必须为float类型，否则会报错。

torch.normal(mean=0.5, std=torch.arange(1., 6.))

从共享均值的5个正太分布中随机产生5个数。

torch.normal(mean=torch.arange(1., 6.), std=1.0)

从共享标准差的5个正太分布中随机产生5个数。

3.2 torch.normal(mean, std, size, *, out=None) 注意：有size参数

torch.normal(2, 3, size=(1, 4))

产生的所有的数服从均值为2，方差为3的正太分布，形状为(1, 4)。

4. torch.linspace

torch.linspace(start, end, steps=100, out=None) → Tensor

返回一个1维张量，包含在区间start和end上均匀间隔的steps个点。

torch.linspace(1, 10, steps=5)

5. torch.manual_seed()

固定随机种子，接下来生成的随机数序列都是相同的，仅作用于最接近的那句随机数产生语句。

torch.manual_seed(1)

temp1 = torch.rand(5)  # tensor([0.7576, 0.2793, 0.4031, 0.7347, 0.0293])

torch.manual_seed(1)

temp2 = torch.rand(5)  # tensor([0.7576, 0.2793, 0.4031, 0.7347, 0.0293])

temp3 = torch.rand(5)  # tensor([0.7999, 0.3971, 0.7544, 0.5695, 0.4388])

上述temp1和temp2是相同的，temp3是不同的，因为seed仅作用于最接近的那句随机数产生语句。

torch中torch.seed()没有参数，用来将随机数的种子设置为随机数，一般不使用。

6. torch.ones()、torch.zeros()、torch.eye

torch.zeros(5)

torch.zeros(2, 3)

torch.ones(5)

torch.ones(2, 3)

torch.eye(3)