PyTorch学习笔记(三)

末蓝、 2023-01-23 12:59 228阅读 0赞

# PyTorch学习笔记(三) #

## 随机抽样 Random sampling ##

### torch.manual\_seed ###

torch.manual_seed(seed)

设定生成随机数的种子，并返回一个 torch.\_C.Generator 对象

参数:

*  seed (int or long) – 种子

### torch.initial\_seed ###

torch.initial_seed()

返回生成随机数的原始种子值（python long）

### torch.get\_rng\_state ###

torch.get_rng_state

返回随机生成器状态(ByteTensor)

### torch.set\_rng\_state ###

torch.set_rng_state(new_state)

设定随机生成器状态

参数:

*  new\_state (torch.ByteTensor) – 期望的状态

### torch.torch.bernoulli ###

从**伯努利分布**中抽取二元随机数(0 或者 1)。

输入张量须包含用于抽取上述二元随机值的概率。 因此，输入中的所有值都必须在\*\*［0,1］\*\*区间，即  0 < = i n p u t i < = 1 0<=input\_i<=1 0<=inputi<=1

输出张量的第i个元素值， 将会以输入张量的第i个概率值等于1。

返回值将会是与输入相同大小的张量，每个值为0或者1。

参数:

*  input (Tensor) – 输入为伯努利分布的概率值
 *  out (Tensor, optional) – 输出张量(可选)

>>> a = torch.Tensor(3, 3).uniform_(0, 1) # generate a uniform random matrix with range [0, 1]
    >>> a
    
     0.7544  0.8140  0.9842
     0.5282  0.0595  0.6445
     0.1925  0.9553  0.9732
    [torch.FloatTensor of size 3x3]
    
    >>> torch.bernoulli(a)
    
     1  1  1
     0  0  1
     0  1  1
    [torch.FloatTensor of size 3x3]
    
    >>> a = torch.ones(3, 3) # probability of drawing "1" is 1
    >>> torch.bernoulli(a)
    
     1  1  1
     1  1  1
     1  1  1
    [torch.FloatTensor of size 3x3]
    
    >>> a = torch.zeros(3, 3) # probability of drawing "1" is 0
    >>> torch.bernoulli(a)
    
     0  0  0
     0  0  0
     0  0  0
    [torch.FloatTensor of size 3x3]

### torch.multinomial ###

torch.multinomial(input, num_samples,replacement=False, out=None) → LongTensor

返回一个张量，每行包含从`input`相应`行`中定义的多项分布中抽取的`num_samples`个样本。

> 作用是对input的每一行做n\_samples次取值，输出的张量是每一次取值时input张量对应行的下标。

注意：输入`input`每行的值**不需要总和为1** (这里我们用来做权重)，但是**必须非负且总和不能为0**。

当抽取样本时，依次从左到右排列(第一个样本对应第一列)。

如果输入`input`是一个向量，输出out也是一个相同长度`num_samples`的向量。如果输入`input`是有`m`行的矩阵，输出out是形如`m×num_samples`的矩阵。

如果参数`replacement` 为`True`, 则样本抽取可以重复。否则，一个样本在每行不能被重复抽取。

参数`num_samples`必须小于`input`长度(即，`input`的列数，如果是input是一个矩阵)。

参数:

*  input (Tensor) – 包含概率值的张量
 *  num\_samples (int) – 抽取的样本数
 *  replacement (bool, optional) – 布尔值，决定是否能重复抽取
 *  out (Tensor, optional) – 结果张量

例子：

>>> weights = torch.Tensor([0, 10, 3, 0]) # create a Tensor of weights
    >>> torch.multinomial(weights, 4, replacement=True)
    
     1
     2
     1
     2
    [torch.LongTensor of size 4]
    
    >>> weights = torch.rand(3, 4)
    tensor([[0.9005, 0.8463, 0.6070, 0.4762],
            [0.6458, 0.0261, 0.7618, 0.7244],
            [0.5225, 0.9317, 0.8163, 0.2554]])
    >>> torch.multinomial(weights, 2)
    tensor([[0, 1],
            [2, 3],
            [3, 0]])

> 输入是\[0,10,3,0\]，也就是说第0个元素和第3个元素权重都是0，在其他元素被取完之前是不会被取到的。

### torch.normal() ###

torch.normal(means, std, out=None)

返回一个张量，包含从给定参数`means`,std的**离散正态分布**中抽取随机数。 `均值means`是一个张量，包含每个输出元素相关的正态分布的均值。 `std`是一个张量，包含每个输出元素相关的正态分布的**标准差**。 均值和标准差的形状不须匹配，但每个张量的**元素个数须相同**。

参数:

*  means (Tensor) – 均值
 *  std (Tensor) – 标准差
 *  out (Tensor) – 可选的输出张量

torch.normal(means=torch.arange(1, 11), std=torch.arange(1, 0, -0.1)) 1.5104 1.6955 2.4895 4.9185 4.9895 6.9155 7.3683 8.1836 8.7164 9.8916[torch.FloatTensor of size 10]