np.random.randn()、np.random.rand()、np.random.randint()

（1）np.random.randn()函數

語法：

np.random.randn(d0,d1,d2……dn) 
1)當函數括號內沒有參數時，則返回一個浮點數； 
2）當函數括號內有一個參數時，則返回秩為1的數組，不能表示向量和矩陣； 
3）當函數括號內有兩個及以上參數時，則返回對應維度的數組，能表示向量或矩陣； 
4）np.random.standard_normal（）函數與np.random.randn()類似，但是np.random.standard_normal（）的輸入參數為元組（tuple）. 
5)np.random.randn()的輸入通常為整數，但是如果為浮點數，則會自動直接截斷轉換為整數。

作用：

通過本函數可以返回一個或一組服從標准正態分布的隨機樣本值。

特點：

標准正態分布是以0為均數、以1為標准差的正態分布，記為N（0，1）。對應的正態分布曲線如下所示，即 

標准正態分布曲線下面積分布規律是：

在-1.96～+1.96范圍內曲線下的面積等於0.9500（即取值在這個范圍的概率為95%），在-2.58～+2.58范圍內曲線下面積為0.9900（即取值在這個范圍的概率為99%）. 
因此，由 np.random.randn()函數所產生的隨機樣本基本上取值主要在-1.96~+1.96之間，當然也不排除存在較大值的情形，只是概率較小而已。

在神經網絡構建中，權重參數W通常采用該函數進行初始化，當然需要注意的是，通常會在生成的矩陣后面乘以小數，比如0.01，目的是為了提高梯度下降算法的收斂速度。 
W = np.random.randn(2,2)*0.01

import numpy as np

arr1 = np.random.randn(2,4)
print(arr1)
print('******************************************************************')
arr2 = np.random.rand(2,4)
print(arr2)
1
2
3
4
5
6
7
結果：

[[-1.03021018 0.5197033 0.52117459 -0.70102661]
[ 0.98268569 1.21940697 -1.095241 -0.38161758]]
******************************************************************
[[ 0.19947349 0.05282713 0.56704222 0.45479972]
[ 0.28827103 0.1643551 0.30486786 0.56386943]]

（2） np.random.rand()函數

語法：

np.random.rand(d0,d1,d2……dn) 
注：使用方法與np.random.randn()函數相同 
作用： 
通過本函數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。 
應用：在深度學習的Dropout正則化方法中，可以用於生成dropout隨機向量（dl），例如（keep_prob表示保留神經元的比例）：dl = np.random.rand(al.shape[0],al.shape[1]) < keep_prob

import numpy as np

arr1 = np.random.randn(2,4)
print(arr1)
print('******************************************************************')
arr2 = np.random.rand(2,4)
print(arr2)
1
2
3
4
5
6
7
結果：

[[-1.03021018 0.5197033 0.52117459 -0.70102661]
[ 0.98268569 1.21940697 -1.095241 -0.38161758]]
******************************************************************
[[ 0.19947349 0.05282713 0.56704222 0.45479972]
[ 0.28827103 0.1643551 0.30486786 0.56386943]]
---------------------
作者：木子木泗
來源：CSDN
原文：https://blog.csdn.net/u010758410/article/details/71799142
版權聲明：本文為博主原創文章，轉載請附上博文鏈接！

（3） np.random.randint()函數

語法：

numpy.random.randint(low, high=None, size=None, dtype=’l’) 
輸入： 
low—–為最小值 
high—-為最大值 
size—–為數組維度大小 
dtype—為數據類型，默認的數據類型是np.int。 
返回值： 
返回隨機整數或整型數組，范圍區間為[low,high），包含low，不包含high； 
high沒有填寫時，默認生成隨機數的范圍是[0，low）

 

在使用Python進行數據處理時，往往需要用到大量的隨機數據，那如何構造這么多數據呢？Python的第三方庫numpy庫中提供了random函數來實現這個功能。
本文將根據官方文檔以及其他博友的博客一起來談論常見的random函數以及使用
官方文檔

首先說下numpy.random.seed()與numpy.random.RandomState()這兩個在數據處理中比較常用的函數，兩者實現的作用是一樣的，都是使每次隨機生成數一樣，具體可見下圖

 

 

1.numpy.random.rand()
官方文檔中給出的用法是：numpy.random.rand(d0,d1,…dn)
以給定的形狀創建一個數組，並在數組中加入在[0,1]之間均勻分布的隨機樣本。
用法及實現：

2.numpy.random.randn()
官方文檔中給出的用法是：numpy.random.rand(d0,d1,…dn)
以給定的形狀創建一個數組，數組元素來符合標准正態分布N(0,1)
若要獲得一般正態分布則可用sigma * np.random.randn(…) + mu進行表示
用法及實現：

3.numpy.random.randint()
官方文檔中給出的用法是：numpy.random.randint(low,high=None,size=None,dtype)
生成在半開半閉區間[low,high)上離散均勻分布的整數值;若high=None，則取值區間變為[0,low)
用法及實現
high=None的情形

high≠None

4.numpy.random.random_integers()
官方文檔中給出的用法是：
numpy.random.random_integers(low,high=None,size=None)
生成閉區間[low,high]上離散均勻分布的整數值;若high=None，則取值區間變為[1,low]
用法及實現
high=None的情形

high≠None的情形

此外，若要將【a,b】區間分成N等分，也可以用此函數實現
a+(b-a)*(numpy.random.random_integers(N)-1)/(N-1)

5.numpy.random_sanmple()
官方文檔中給出的用法是：
numpy.random.random_sample(size=None)
以給定形狀返回[0,1)之間的隨機浮點數
用法及實現

其他函數，numpy.random.random() ;numpy.random.ranf()
numpy.random.sample()用法及實現都與它相同

6.numpy.random.choice()
官方文檔中給出的用法：
numpy.random.choice(a,size=None,replace=True,p=None)
若a為數組，則從a中選取元素；若a為單個int類型數，則選取range(a)中的數
replace是bool類型，為True，則選取的元素會出現重復；反之不會出現重復
p為數組，里面存放選到每個數的可能性，即概率
用法及實現

以上就是關於random函數的幾種用法，歡迎大家一起交流
---------------------
作者：凍雞hhhh
來源：CSDN
原文：https://blog.csdn.net/m0_38061927/article/details/75335069
版權聲明：本文為博主原創文章，轉載請附上博文鏈接！