NumPy(Numerical Python) 是 Python 語言的一個擴展程序庫，支持大量的維度數組與矩陣運算，此外也針對數組運算提供大量的數學函數庫。簡單的來水numpy在處理多維數組時會特別的方便，是深度學習的得力助手。
numpy.random.multivariate_normal()函數官方解釋是從多元正態分布中隨機抽取樣本的函數。多元正態分布、多重正態分布或高斯分布它是一維正態分布向更高維度的推廣。這種分布由其均值和協方差矩陣來表示。這些參數類似於一維正態分布的平均值（平均值或“中心”）和方差（標准差或“寬度”，平方）。啥啥啥？對於數學不好的我完全看不懂說的是什么。其實就是這個函數可以滿足你的需求，生成一個指定維度的數組，而且生成的這個數組服從正態分布。
函數的原型為：numpy.random.multivariate_normal(mean, cov[, size, check_valid, tol]).接下來對參數進行解釋。
mean：均值，n維分布的平均值，是一個一維數組長度為N.在標准正態分布里對應的就是圖形的峰值。
cov：分布的協方差矩陣，它的形狀必須是（n,n），也就是必須是一個行數和列數相等的類似正方形矩陣，它必須是對稱的和正半定的，才能進行適當的采樣。
size：指定生成樣本的大小，是一個int類型或者int類型的元組。可選。例如，給定（m,n,k)的形狀，則會生成m*n*k樣本，並按m-x-n-x-k排列打包。因為每個樣本都是N維的，所以輸出形狀是（m，n，k，N）。如果未指定形狀，則返回單個（N-d）樣本。
在這里需要說明的是mean和cov必須有相同的長度，否則編譯的時候會報錯。比如mean=[0,0]，cov=[[1,0,0],[0,1,0],[0,0,1]]，這樣是不可以的因為mean的長度為2，而cov的形狀是（3，3），這樣在編譯的時候會產生一個ValueError: mean and cov must have same length錯誤。再結合size中的例子，如果size指定(3,3)的元組，mean=[1,2]，cov=[[1,0],[0,100]]，那么輸出的形狀就是（3，3，2）.
check_valid：可以為{'warn'、'raise'、'ignore'}，可選，來指定協方差矩陣非正半定時的行為。
tol:浮點型，可選。檢查協方差矩陣中的奇異值時的公差。
返回值：一個n維數組。如果指出了形狀尺寸也就是前邊的size，則生成的樣本為指定的形狀，如果沒有提供size，則生成的樣本形狀為（n,）
補充知識點Note：
mean：平均值是N維空間中的一個坐標，它表示最有可能生成樣本的位置。這類似於一維或單變量正態分布的鍾形曲線的峰值。
cov：也就是Covariance，協方差表示兩個變量在一起變化的程度。從多元正態分布中，我們得到了n維樣本，x=[x_1，x_2，……xnn]。協方差矩陣元素c_i j_是x_i和x_j的協方差。元素c_ii_是x_i的方差（即其“排列”）。
在指定cov的時候，我們經常需要對角矩陣，這時我們可以使用numpy.eye()來直接生成一個對角矩陣，比如numpy.eye(2)就會生成對角矩陣[[1,0],[0,1]]
有兩種情況可以不指定協方差矩陣：
球面協方差（cov是單位矩陣的倍數）
對角線協方差（COV具有非負元素，並且僅在對角線上）。
注意協方差矩陣必須是半正定的（也就是非負定的）。否則，該方法的行為是未定義的，不能保證向后兼容性。
1 import numpy as np 2 mean = (1, 2) 3 cov = [[1, 0], [0, 1]] 4 x = np.random.multivariate_normal(mean, cov, (3, 3)) 5 print(x.shape)
可以看到輸出結果為(3,3,2)。