Numpy中np.random.rand()和np.random.randn() 用法和區(qū)別詳解
numpy.random.rand(d0, d1, …, dn)的隨機樣本位于[0, 1)中:本函數(shù)可以返回一個或一組服從**“0~1”均勻分布**的隨機樣本值。
numpy.random.randn(d0, d1, …, dn)是從標(biāo)準(zhǔn)正態(tài)分布中返回一個或多個樣本值。
1. np.random.rand()
語法:
np.random.rand(d0,d1,d2……dn)
注:使用方法與np.random.randn()函數(shù)相同
作用:
通過本函數(shù)可以返回一個或一組服從“0~1”均勻分布的隨機樣本值。隨機樣本取值范圍是[0,1),不包括1。
應(yīng)用:在深度學(xué)習(xí)的Dropout正則化方法中,可以用于生成dropout隨機向量(dl),
例如(keep_prob表示保留神經(jīng)元的比例):
dl = np.random.rand(al.shape[0],al.shape[1]) < keep_prob
舉例:
注:
均勻分布:
也叫矩形分布,它是對稱概率分布,在相同長度間隔的分布概率是等可能的。
均勻分布由兩個參數(shù)a和b定義,它們是數(shù)軸上的最小值和最大值,通??s寫為U(a,b)。
均勻分布的概率密度函數(shù)為:
2. np.random.randn() 語法:
np.random.randn(d0,d1,d2……dn)
1)當(dāng)函數(shù)括號內(nèi)沒有參數(shù)時,則返回一個浮點數(shù);
2)當(dāng)函數(shù)括號內(nèi)有一個參數(shù)時,則返回秩為1的數(shù)組,不能表示向量和矩陣;
3)當(dāng)函數(shù)括號內(nèi)有兩個及以上參數(shù)時,則返回對應(yīng)維度的數(shù)組,能表示向量或矩陣;
4)np.random.standard_normal()函數(shù)與np.random.randn()類似,但是np.random.standard_normal()的輸入?yún)?shù)為元組(tuple)。
# 舉例: np.random.standard_normal((5)) # [-0.53268495 0.30171848 1.85232368 -0.58746393 0.19683992] np.random.standard_normal((5,2)) ''' [[-2.44520524 2.29767001] [-1.19770033 -1.09569325] [-0.75414833 0.49509984] [-1.42537268 0.41788237] [ 1.85465491 -1.44383249]] ''' np.random.standard_normal((5,2,3)) ''' [[[ 0.54013502 -0.25347615 1.73395647] [ 1.03386947 -0.54856199 2.10004584]] [[-0.57632903 -0.05856844 1.72805595] [ 1.3507174 0.61459539 0.63380028]] [[-2.24857933 -1.29276097 0.42585061] [ 0.75974263 -0.83670586 -1.56930898]] [[-0.32212 1.2884624 1.53744081] [ 1.5444555 -1.82408734 -0.55952688]] [[-1.21191144 -1.40454518 -0.3369976 ] [-0.89314143 0.28291988 1.58394166]]] ''' np.random.standard_normal((5,2,3,1)) ''' [[[[ 0.19019221] [ 0.64618425] [ 0.99815722]] [[-0.0570328 ] [ 0.83271045] [-0.30469335]]] [[[-1.14788388] [ 0.09563431] [ 2.05611213]] [[-0.14251287] [ 1.00922816] [-0.55403104]]] [[[ 1.75657437] [ 1.46381575] [ 1.10527197]] [[ 0.22667296] [ 0.18305552] [ 0.5778761 ]]] [[[ 0.26501242] [-0.4863313 ] [ 1.01096974]] [[-2.46562874] [ 0.19516242] [-1.92500848]]] [[[ 0.97904566] [ 0.80444414] [ 0.99981326]] [[-0.74329878] [-0.9265738 ] [ 0.0288684 ]]]] '''
5)np.random.randn()的輸入通常為整數(shù),但是如果為浮點數(shù),則會自動直接截斷轉(zhuǎn)換為整數(shù)。
作用:通過本函數(shù)可以返回一個或一組服從標(biāo)準(zhǔn)正態(tài)分布的隨機樣本值。
特點: 標(biāo)準(zhǔn)正態(tài)分布是以0為均數(shù)、以1為標(biāo)準(zhǔn)差的正態(tài)分布,記為N(0,1)。對應(yīng)的正態(tài)分布曲線如下所示,即:
注:
標(biāo)準(zhǔn)正態(tài)分布曲線下面積分布規(guī)律是:
在-1.96~+1.96范圍內(nèi)曲線下的面積等于0.9500(即取值在這個范圍的概率為95%),在-2.58~+2.58范圍內(nèi)曲線下面積為0.9900(即取值在這個范圍的概率為99%).
因此,由 np.random.randn()函數(shù)所產(chǎn)生的隨機樣本基本上取值主要在-1.96~+1.96之間,當(dāng)然也不排除存在較大值的情形,只是概率較小而已。
參考:
https://blog.csdn.net/abc13526222160/article/details/86423754
https://www.cnblogs.com/BBS2013/p/12839042.html
到此這篇關(guān)于Numpy中np.random.rand()和np.random.randn() 用法和區(qū)別詳解的文章就介紹到這了,更多相關(guān)Numpy np.random.rand()和np.random.randn()內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家!
相關(guān)文章
用Python把csv文件批量修改編碼為UTF-8格式并轉(zhuǎn)為Excel格式的方法
有時候用excel打開一個csv文件,中文全部顯示亂碼,然后手動用notepad++打開,修改編碼為utf-8并保存后,再用excel打開顯示正常,本文將給大家介紹一下用Python把csv文件批量修改編碼為UTF-8格式并轉(zhuǎn)為Excel格式的方法,需要的朋友可以參考下2023-09-09Python使用numpy產(chǎn)生正態(tài)分布隨機數(shù)的向量或矩陣操作示例
這篇文章主要介紹了Python使用numpy產(chǎn)生正態(tài)分布隨機數(shù)的向量或矩陣操作,簡單描述了正態(tài)分布的概念并結(jié)合實例形式分析了Python使用numpy模塊結(jié)合matplotlib繪制正態(tài)分布曲線圖相關(guān)操作技巧,需要的朋友可以參考下2018-08-08Python摳圖教程之使用OpenCV實現(xiàn)背景去除
這篇文章主要給大家介紹了關(guān)于Python摳圖教程之使用OpenCV實現(xiàn)背景去除的相關(guān)資料,背景去除是在很多視覺應(yīng)用里的主要預(yù)處理步驟,文中通過代碼介紹的非常詳細,需要的朋友可以參考下2023-10-10解決python和pycharm安裝gmpy2 出現(xiàn)ERROR的問題
這篇文章主要介紹了python和pycharm安裝gmpy2 出現(xiàn)ERROR的解決方法,本文給大家介紹的非常詳細,對大家的學(xué)習(xí)或工作具有一定的參考借鑒價值,需要的朋友可以參考下2020-08-08Python實現(xiàn)自動化對Word文檔添加或移除行號
Word文檔中的行號(行編號)功能是對于精細化的文檔編輯以及解析非常有用的功能,添加行號能夠極大地提升文檔的可讀性和定位效率,本文將介紹如何使用Python來實現(xiàn)自動化對Word文檔添加或移除行號,為文檔處理工作帶來便捷,需要的朋友可以參考下2024-07-07淺談numpy中l(wèi)inspace的用法 (等差數(shù)列創(chuàng)建函數(shù))
下面小編就為大家?guī)硪黄獪\談numpy中l(wèi)inspace的用法 (等差數(shù)列創(chuàng)建函數(shù))。小編覺得挺不錯的,現(xiàn)在就分享給大家,也給大家做個參考。一起跟隨小編過來看看吧2017-06-06