Pytorch常用的4种随机数生成方法

    • 一、torch.rand():构造均匀分布张量的方法
    • 二、torch.randn():构造标准正态分布张量的方法
    • 三、torch.randint():构造区间分布张量的方法
    • 四、torch.randperm():根据生成的随机序号对张量进行随机排序的方法

一、torch.rand():构造均匀分布张量的方法

torch.rand是用于生成均匀随机分布张量的函数,从区间[0,1)的均匀分布中随机抽取一个随机数生成一个张量,其调用方法如下所示:

torch.rand(sizes, out=None) ➡️ Tensor

其中,

  • sizes:用于定义输出张量的形状
    简单的示例代码如下所示:
import torch# 生成一个每个元素服从0-1均匀分布的4行3列随机张量tensor_1 = torch.rand(4, 3)print(tensor_1, tensor_1.type())

输出结果如下图所示:

二、torch.randn():构造标准正态分布张量的方法

torch.randn()是用于生成正态随机分布张量的函数,从标准正态分布中随机抽取一个随机数生成一个张量,其调用方法如下所示:

torch.randn(sizes, out=None) ➡️ Tensor

其中,

  • sizes:用于定义输出张量的形状
    简单的示例代码如下所示:
import torch# 生成一个每个元素均为标准正态分布的4行3列随机张量tensor_2 = torch.randn(4, 3)print(tensor_2, tensor_1.type())

输出结果如下图所示:

三、torch.randint():构造区间分布张量的方法

torch.randint()是用于生成任意区间分布张量的函数,从标准正态分布中随机抽取一个随机数生成一个张量,其调用方法如下所示:

torch.randint(low=0, high, sizes, out=None) ➡️ Tensor

其中,

  • low~high:随机数的区间范围
  • sizes:用于定义输出张量的形状
    简单的示例代码如下所示:
# 生成一个每个元素均为[1-10]均匀分布的4行3列随机张量tensor_3 = torch.randint(1, 10, (4, 3))print(tensor_3, tensor_3.type())

输出结果如下图所示:

四、torch.randperm():根据生成的随机序号对张量进行随机排序的方法

torch.randint()是用于对张量序号进行随机排序的函数,并根据生成的随机序列,其调用格式如下所示:

torch.randperm(n, out=None, dtype=torch.int64) ➡️ LongTensor

其中,

  • n:一个整数,可以理解为张量某个方向的维度
  • dtype:返回的数据类型(torch.int64

简单的示例代码如下所示:

下面代码实现的功能为:将二维张量按照行进行随机排序。

# 生成一个0~3的随机整数排序idx = torch.randperm(4)# 生成一个4行3列的张量tensor_4 = torch.Tensor(4, 3)# 为了方便对比,首先输出tensor_4的结果print("原始张量\n", tensor_4)# 下面输出随机生成的行序号print("\n生成的随机序号\n", idx)# 下面的指令实现了在行的方向上,对tensor_4进行随机排序,并输出结果print("\n随机排序后的张量\n", tensor_4[idx])

输出结果如下图所示: