快捷導(dǎo)航

Numpy的np.random隨機(jī)模塊詳解

更新時(shí)間：2023年08月18日 11:52:25 作者：Clichong

這篇文章主要介紹了Numpy的np.random隨機(jī)模塊詳解,平時(shí)都會(huì)使用到隨機(jī)模塊,一般是torch.random或者是numpy.random,有或者是直接使用ramdom這個(gè)python內(nèi)置的工具包,那么下面就簡(jiǎn)單記錄一下numpy.random常用的函數(shù),需要的朋友可以參考下

1. 隨機(jī)抽樣

import numpy as np
np.random.randn(3,3) # 從標(biāo)準(zhǔn)正太分布中返回樣本
np.random.rand(3,3)  # 從0-1均勻分布分布中返回樣本
np.random.randint(0, 10, size=(3,3))     # 返回隨機(jī)的整數(shù)，左閉右開(kāi)區(qū)間[)
np.random.random_integers(0, 10, (3,3))  # 返回隨機(jī)的整數(shù)，位于閉區(qū)間[]
np.random.random((3,3))          # 返回范圍[0., 1.)之間的隨機(jī)浮點(diǎn)數(shù)
np.random.random_sample((3,3))   # 返回范圍[0., 1.)之間的隨機(jī)浮點(diǎn)數(shù)
np.random.ranf((3,3))            # 返回范圍[0., 1.)之間的隨機(jī)浮點(diǎn)數(shù)
np.random.sample((3,3))          # 返回范圍[0., 1.)之間的隨機(jī)浮點(diǎn)數(shù)
# 從[0,5)中挑選3個(gè)數(shù)，其權(quán)重分別為p，其中np.random.choice(5, 3) == np.random.randint(0, 5, 3)
np.random.choice(5, 3, p=[0.1, 0.25, 0.15, 0.4, 0.1])  # 從樣本中根據(jù)對(duì)應(yīng)的權(quán)重返回隨機(jī)選擇索引，權(quán)重越大越可能被選擇到

2. 隨機(jī)排序

import numpy as np
np.random.shuffle(arr)  # 隨機(jī)打亂順序，直接是內(nèi)置的,不需要返回
arr = np.random.permutation(arr)   # 隨機(jī)打亂順序，需要返回

3. 隨機(jī)分布

分布函數(shù)	分布說(shuō)明
[beta(a, b, size])	貝塔分布樣本，在 [0, 1]內(nèi)。
[binomial(n, p, size])	二項(xiàng)分布的樣本。
[chisquare(df, size])	卡方分布樣本。
[dirichlet(alpha, size])	狄利克雷分布樣本。
[exponential(scale, size])	指數(shù)分布
[f(dfnum, dfden, size])	F分布樣本。
[gamma(shape, scale, size])	伽馬分布
[geometric(p, size])	幾何分布
[gumbel(loc, scale, size])	耿貝爾分布
[hypergeometric(ngood, nbad, nsample, size])	超幾何分布樣本。
[laplace(loc, scale, size])	拉普拉斯或雙指數(shù)分布樣本
[logistic(loc, scale, size])	Logistic分布樣本
[lognormal(mean, sigma, size])	對(duì)數(shù)正態(tài)分布
[logseries(p, size])	對(duì)數(shù)級(jí)數(shù)分布。
[multinomial(n, pvals, size])	多項(xiàng)分布
[multivariate_normal(mean, cov, size])	多元正態(tài)分布。
[negative_binomial(n, p, size])	負(fù)二項(xiàng)分布
[noncentral_chisquare(df, nonc, size])	非中心卡方分布
[noncentral_f(dfnum, dfden, nonc, size])	非中心F分布
[normal(loc, scale, size])	正態(tài)(高斯)分布
[pareto(a, size])	帕累托（Lomax）分布
[poisson(lam, size])	泊松分布
[power(a, size])	功率分布
[rayleigh(scale, size])	Rayleigh 分布
[standard_cauchy(size])	標(biāo)準(zhǔn)柯西分布
[standard_exponential(size])	標(biāo)準(zhǔn)的指數(shù)分布
[standard_gamma(shape, size])	標(biāo)準(zhǔn)伽馬分布
[standard_normal(size])	標(biāo)準(zhǔn)正態(tài)分布 (mean=0, stdev=1).
[standard_t(df, size])	標(biāo)準(zhǔn)學(xué)生 t 分布
[triangular(left, mode, right, size])	三角形分布
[uniform(low, high, size])	均勻分布
[vonmises(mu, kappa, size])	von Mises分布
[wald(mean, scale, size])	瓦爾德（逆高斯）分布
[weibull(a, size])	Weibull 分布
[zipf(a, size])	齊普夫分布

4. 隨機(jī)種子

# 1. RandomState隨機(jī)種子的使用：numpy.random.RandomState實(shí)例對(duì)象是線程安全的
from numpy.random import RandomState
r = RandomState(1234567890)
a = r.randint(1, 10,size=10)
r = RandomState(1234567890)
b = r.randint(1, 10, size=10)
r = RandomState(1234567890)
c = r.randint(1, 10, size=10)
r = RandomState(1234567890)
d = r.randint(1, 10, size=10)
a,b,c,d
# 輸出：
# (array([3, 7, 4, 2, 5, 1, 7, 5, 1, 8]),
#  array([3, 7, 4, 2, 5, 1, 7, 5, 1, 8]),
#  array([3, 7, 4, 2, 5, 1, 7, 5, 1, 8]),
#  array([3, 7, 4, 2, 5, 1, 7, 5, 1, 8]))
# 分析：由于每次輸出前都設(shè)置了相同的隨機(jī)種子，所以程序得到的隨機(jī)數(shù)的值相同
# 2. np.random.seed隨機(jī)種子的使用：numpy.random.seed()不是線程安全的
# 如果程序中有多個(gè)線程最好使用numpy.random.RandomState實(shí)例對(duì)象來(lái)創(chuàng)建或者使用random.seed()來(lái)設(shè)置相同的隨機(jī)數(shù)種子。
np.random.seed(1234567890)
a = np.random.randint(1, 10, size=10)
np.random.seed(1234567899)
b = np.random.randint(1, 10, size=10)
np.random.seed(1234567890)
c = np.random.randint(1, 10, size=10)
np.random.seed(1234567899)
d = np.random.randint(1, 10, size=10)
a,b,c,d
# 輸出：
# (array([3, 7, 4, 2, 5, 1, 7, 5, 1, 8]),
#  array([4, 9, 1, 7, 2, 8, 8, 3, 3, 4]),
#  array([3, 7, 4, 2, 5, 1, 7, 5, 1, 8]),
#  array([4, 9, 1, 7, 2, 8, 8, 3, 3, 4]))
# 分析：由于第一次與第三次輸出前設(shè)置了相同的隨機(jī)種子，而第二次與第四次輸出前設(shè)置了相同的隨機(jī)種子
# 所以第一次與第三次輸出一致，第二次與第四次輸出一致。
# 3. ramdom隨機(jī)種子的使用
import random
random.seed(1234567890)
a = random.sample(range(10),10)  
random.seed(1234567890)
b = random.sample(range(10),10)
c = random.sample(range(10),10)
d = random.sample(range(10),10)
a,b,c,d
# 輸出：
# ([9, 2, 7, 1, 4, 8, 5, 0, 6, 3],
#  [9, 2, 7, 1, 4, 8, 5, 0, 6, 3],
#  [6, 2, 0, 5, 8, 9, 4, 1, 7, 3],
#  [2, 7, 3, 8, 6, 1, 4, 9, 0, 5])
# 分析：由于第一次與第二次輸出前設(shè)置了相同的隨機(jī)種子，所以輸出結(jié)果一致；
# 而剩下兩次沒(méi)有設(shè)置隨機(jī)種子，隨意兩次結(jié)果都是隨機(jī)輸出的，分別不同

拓展，在訓(xùn)練開(kāi)始時(shí)，參數(shù)的初始化是隨機(jī)的，為了讓每次的結(jié)果一致，我們需要設(shè)置隨機(jī)種子。

torch中的隨機(jī)種子使用如下：

opt.seed = random.randint(1, 10000)
print("Random Seed: ", opt.seed)
torch.manual_seed(args.seed)		# 為CPU設(shè)置隨機(jī)種子
if cuda:
    torch.cuda.manual_seed(seed)	# 為當(dāng)前GPU設(shè)置隨機(jī)種子
    torch.cuda.manual_seed_all(seed)# 為所有GPU設(shè)置隨機(jī)種子

到此這篇關(guān)于Numpy的np.random隨機(jī)模塊詳解的文章就介紹到這了,更多相關(guān)Numpy隨機(jī)模塊內(nèi)容請(qǐng)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！

您可能感興趣的文章: