python人工智能tensorflow函数np.random模块使用方法
目录
- np.random模块常用的一些方法介绍
- 例子
- numpy.random.rand(d0, d1, …, dn):
- numpy.random.randn(d0, d1, …, dn):
- numpy.random.randint(low, high=None, size=None, dtype=‘I’):
- numpy.random.uniform(low=0.0, high=1.0, size=None):
- numpy.random.normal(loc=0.0, scale=1.0, size=None)
- numpy.random.random(size=None)
- numpy.random.choice(a, size=None, replace=True, p=None)
np.random模块常用的一些方法介绍
名称 | 作用 |
---|---|
numpy.random.rand(d0, d1, …, dn) | 生成一个[d0, d1, …, dn]维的numpy数组,数组的元素取自[0, 1)上的均分布,若没有参数输入,则生成一个[0, 1)的数。 |
numpy.random.randn(d0, d1, …, dn) | 生成一个[d0, d1, …, dn]维的numpy数组,具有标准正态分布。 |
numpy.random.randint(low, high=None, size=None, dtype=‘I’) | 生成整数,取值范围为[low, high),若没有输入参数high,则取值区间为[0, low)。 |
numpy.random.uniform(low=0.0, high=1.0, size=None) | 生成符合均分布的浮点数,取值范围为[low, high),默认取值范围为[0, 1.0)。 |
numpy.random.normal(loc=0.0, scale=1.0, size=None) | 按照正态分布生成均值为loc,标准差为scale的,形状为size的浮点数。 |
numpy.random.random(size=None) | 生成[0.0, 1.0)之间的浮点数。 |
numpy.random.choice(a, size=None, replace=True, p=None) | 从a(数组)中选取size(维度)大小的随机数,replace=True表示可重复抽取,p是a中每个数出现的概率。若a是整数,则a代表的数组是arange(a)。 |
例子
numpy.random.rand(d0, d1, …, dn):
生成一个[d0, d1, …, dn]维的numpy数组,数组的元素取自[0, 1)上的均分布,若没有参数输入,则生成一个[0, 1)的数。
import numpy as np v1 = np.random.rand() v2 = np.random.rand(3,4) print(v1) print(v2)
输出结果为:
0.618411110932038
[[0.35134062 0.55609186 0.4173297 0.85541691]
[0.35144304 0.31204156 0.60196109 0.390464 ]
[0.19186067 0.94570486 0.8637441 0.07028114]]
numpy.random.randn(d0, d1, …, dn):
生成一个[d0, d1, …, dn]维的numpy数组,具有标准正态分布。
import numpy as np v1 = np.random.randn() v2 = np.random.randn(3,4) print(v1) print(v2)
输出结果为:
0.47263651836701953
[[-0.23431214 0.97197099 0.52845269 -0.45246824]
[-1.1266395 -1.60040653 -2.64602615 -0.19457032]
[-0.520287 -1.0799122 0.08441667 0.34980224]]
numpy.random.randint(low, high=None, size=None, dtype=‘I’):
生成整数,取值范围为[low, high),若没有输入参数high,则取值区间为[0, low)。
import numpy as np v1 = np.random.randint(5) v2 = np.random.randint(1,high = 5) v3 = np.random.randint(1,high = 5,size = [3,4]) print(v1) print(v2) print(v3)
输出结果为:
2
3
[[1 1 3 1]
[2 2 3 2]
[3 4 2 1]]
numpy.random.uniform(low=0.0, high=1.0, size=None):
生成符合均分布的浮点数,取值范围为[low, high),默认取值范围为[0, 1.0)。
import numpy as np v1 = np.random.uniform() v2 = np.random.uniform(low = 0,high = 5) v3 = np.random.uniform(low = 0,high = 5,size = [3,4]) print(v1) print(v2) print(v3)
输出结果为:
0.6925621763952164
3.0483936610544218
[[1.34959297 4.84117424 0.41277118 4.81392216]
[2.91266734 0.87922181 3.39729422 3.34340092]
[0.45158364 3.8129479 0.54246798 2.57192192]]
numpy.random.normal(loc=0.0, scale=1.0, size=None)
按照正态分布生成均值为loc,标准差为scale的,形状为size的浮点数。
import numpy as np v1 = np.random.normal() v2 = np.random.normal(loc = 0,scale = 5) v3 = np.random.normal(loc = 0,scale = 5,size = [3,4]) print(v1) print(v2) print(v3)
输出结果为:
0.7559391954091367
-3.359831771004067
[[ 3.90821047 6.37757533 6.3813528 0.86219281]
[ -3.61201084 4.05948053 -3.91172941 11.29050165]
[ -8.60318633 -10.07090496 -4.86557867 7.98536182]]
numpy.random.random(size=None)
生成[0.0, 1.0)之间的浮点数。
import numpy as np v1 = np.random.random() v2 = np.random.random(size = [3,4]) print(v1) print(v2)
输出结果为:
0.5930924941107145
[[0.41002067 0.28097163 0.8908558 0.16951515]
[0.59730596 0.57475303 0.84174255 0.59633522]
[0.63508879 0.44138737 0.6223043 0.61540997]]
numpy.random.choice(a, size=None, replace=True, p=None)
从a(数组)中选取size(维度)大小的随机数,replace=True表示可重复抽取,p是a中每个数出现的概率。若a是整数,则a代表的数组是arange(a)。
import numpy as np v1 = np.random.choice(5) v2 = np.random.choice(5,size = 5) v3 = np.random.choice([1,2,3,4,5],size = 5) v4 = np.random.choice([1,2,3,4,5],size = 5,p = [1,0,0,0,0]) v5 = np.random.choice([1,2,3,4,5],size = 5,replace = False) print("v1:",v1) print("v2:",v2) print("v3:",v3) print("v4:",v4) print("v5:",v5)
输出结果为:
v1: 1
v2: [0 0 4 0 4]
v3: [3 2 3 1 1]
v4: [1 1 1 1 1]
v5: [4 2 3 5 1]
以上就是python人工智能tensorflow函数np.random模块使用方法的详细内容,更多关于tensorflow函数np.random模块的资料请关注我们其它相关文章!