Pytorch库中torch.normal()详解

torch.normal()用法

torch.normal()函数,用于生成符合正态分布(高斯分布)的随机数。在 PyTorch 中,这个函数通常用于生成 Tensor。

该函数共有四个方法:

python 复制代码
@overload
def normal(mean: Tensor, std: Tensor, *, generator: Optional[Generator] = None, out: Optional[Tensor] = None) -> Tensor: ...
@overload
def normal(mean: Tensor, std: _float = 1, *, generator: Optional[Generator] = None, out: Optional[Tensor] = None) -> Tensor: ...
@overload
def normal(mean: _float, std: Tensor, *, generator: Optional[Generator] = None, out: Optional[Tensor] = None) -> Tensor: ...
@overload
def normal(mean: _float, std: _float, size: Sequence[Union[_int, SymInt]], *, 
           generator: Optional[Generator] = None, out: Optional[Tensor] = None, 
           dtype: Optional[_dtype] = None, layout: Optional[_layout] = None, 
           device: Optional[Optional[DeviceLikeType]] = None, 
           pin_memory: Optional[_bool] = False, 
           requires_grad: Optional[_bool] = False) -> Tensor: ...
参数解析
  • mean: 表示正态分布的均值 (μ)。可以是一个标量,也可以是一个张量,如果是张量,其形状必须与 std 相容。如果 mean 是一个张量,那么函数将生成与 mean 相同形状的随机数张量,并以 mean 中的值作为各个维度的均值。
  • std: 表示正态分布的标准差 (σ)。可以是一个标量,也可以是一个张量,如果是张量,其形状必须与 mean 相容。如果 std 是一个张量,那么函数将生成与 std 相同形状的随机数张量,并以 std 中的值作为各个维度的标准差。
  • "*" (星号):星号后的参数为关键字参数,只能用关键字指定。
  • size:指定生成张量的尺寸。
  • generator=None:指定一个随机数生成器。PyTorch 常用 torch.Generator() 创建生成器。如果不指定,使用默认生成器。
  • out=None:用于指定输出的 Tensor。如果不提供,函数将返回一个新创建的 Tensor。
返回值

返回一个张量,其形状与 mean 和 std 相同,其中的元素服从均值为 mean,标准差为 std 的正态分布。

使用示例

python 复制代码
import torch

random_value = torch.normal(mean=0.0, std=1.0, size=(2, 2))
print(random_value)

# 生成一个服从均值0和标准差1的单个随机数
random_value = torch.normal(mean=0, std=1, size=(1,))
print(random_value)

# 生成一个服从均值0和标准差1的张量
mean_tensor = torch.zeros(3, 3)  # 均值张量
std_tensor = torch.ones(3, 3)  # 标准差张量
random_tensor = torch.normal(mean_tensor, std_tensor)
print(random_tensor)

# 使用指定生成器生成随机数
generator = torch.Generator().manual_seed(42)
random_value_with_generator = torch.normal(mean=0.0, std=1.0, size=(2, 2), generator=generator)
print(random_value_with_generator)

# 输出到指定Tensor
out_tensor = torch.empty(3, 3)
torch.normal(mean_tensor, std_tensor, out=out_tensor)
print(out_tensor)

以上是 torch.normal() 函数的基本用法。可以根据具体需求调整 mean 和 std 的值来生成不同形状、不同均值和标准差的正态分布随机数。

相关推荐
985小水博一枚呀25 分钟前
【深度学习滑坡制图|论文解读3】基于融合CNN-Transformer网络和深度迁移学习的遥感影像滑坡制图方法
人工智能·深度学习·神经网络·cnn·transformer
AltmanChan26 分钟前
大语言模型安全威胁
人工智能·安全·语言模型
985小水博一枚呀29 分钟前
【深度学习滑坡制图|论文解读2】基于融合CNN-Transformer网络和深度迁移学习的遥感影像滑坡制图方法
人工智能·深度学习·神经网络·cnn·transformer·迁移学习
数据与后端架构提升之路39 分钟前
从神经元到神经网络:深度学习的进化之旅
人工智能·神经网络·学习
爱技术的小伙子1 小时前
【ChatGPT】如何通过逐步提示提高ChatGPT的细节描写
人工智能·chatgpt
深度学习实战训练营2 小时前
基于CNN-RNN的影像报告生成
人工智能·深度学习
昨日之日20064 小时前
Moonshine - 新型开源ASR(语音识别)模型,体积小,速度快,比OpenAI Whisper快五倍 本地一键整合包下载
人工智能·whisper·语音识别
浮生如梦_4 小时前
Halcon基于laws纹理特征的SVM分类
图像处理·人工智能·算法·支持向量机·计算机视觉·分类·视觉检测
深度学习lover4 小时前
<项目代码>YOLOv8 苹果腐烂识别<目标检测>
人工智能·python·yolo·目标检测·计算机视觉·苹果腐烂识别
热爱跑步的恒川5 小时前
【论文复现】基于图卷积网络的轻量化推荐模型
网络·人工智能·开源·aigc·ai编程