numpy与tensorflow中的随机函数总结

笔者感觉numpy、tensorflow中的随机函数有些杂，用的时候总是不知道用哪一个，所以在本篇博客中对其进行一个简单的总结。

numpy的随机函数

我们可以利用numpy随机（random）模块生成我们想要的随机序列或进行一系列随机操作。常用api如下：

• np.random.randint(a, b)
  该函数用于生成一个指定范围 [a，b] 的整数。
• np.random.randn(d0,d1,d2……dn)
  当函数括号内没有参数时，则返回一个浮点数；当函数括号内有一个参数时，则返回秩为1的数组，不能表示向量和矩阵；当函数括号内有两个及以上参数时，则返回对应维度的数组，能表示向量或矩阵； np.random.standard_normal（）函数与np.random.randn()类似，但是np.random.standard_normal（）的输入参数为元组（tuple）.np.random.randn()的输入通常为整数，但是如果为浮点数，则会自动直接截断转换为整数。
• np.random.rand()
  使用方法与np.random.randn()函数相同。通过本函数可以返回一个或一组服从“0~1”均匀分布的随机样本值。随机样本取值范围是[0,1)，不包括1。 应用：在深度学习的Dropout正则化方法中，可以用于生成dropout随机向量（dl），例如（keep_prob表示保留神经元的比例）：dl = np.random.rand(al.shape[0],al.shape[1]) < keep_prob
• np.random.randrange()
  random.randrange的函数原型为：random.randrange([start], stop[, step])，从指定范围内，按指定基数递增的集合中 获取一个随机数。如：random.randrange(10, 100, 2)，结果相当于从[10, 12, 14, 16, … 96, 98]序列中获取一个随机数。
• np.random.choice()
  random.choice从序列中获取n个随机元素。其函数原型为：random.choice(sequence, n)。
• np.random.random()
  random.random()用于生成一个0到1的随机符点数: 0 <= n < 1.0。
• np.random.uniform()
  random.uniform的函数原型为：random.uniform(a, b, size)，用于生成一个指定范围内的随机符点数，两个参数其中一个是上限，一个是下限。如果a > b，则生成的随机数n: a <= n <= b。如果 a <b， 则 b <= n <= a。
• np.random.normal(loc=0.0, scale=1.0, size=None)
  loc：float，此概率分布的均值（对应着整个分布的中心centre）。scale：float，此概率分布的标准差（对应于分布的宽度，scale越大越矮胖，scale越小，越瘦高）。size：int or tuple of ints，输出的shape，默认为None，只输出一个值。
• np.random.shuffel()
  random.shuffle的函数原型为：random.shuffle(x[, random])，用于将一个列表中的元素打乱。

tensorflow的随机函数

tensorflow内置了许多进行随机操作的api。

• tf.truncated_normal(shape=[3, 4], dtype=tf.float32, stddev=0.1, mean=0.)
  这个函数产生正太分布，均值和标准差自己设定。这是一个截断的产生正太分布的函数，就是说产生正太分布的值如果与均值的差值大于两倍的标准差，那就重新生成。和一般的正太分布的产生随机数据比起来，这个函数产生的随机数与均值的差距不会超过两倍的标准差，但是一般的别的函数是可能的。
• tf.random_normal(shape,mean=0.0,stddev=1.0,dtype=tf.float32,seed=None,name=None)
  从正态分布中输出随机值。
• tf.random_uniform(shape,minval=0,maxval=None,dtype=tf.float32,seed=None,name=None)
  返回值的范围默认是0到1的左闭右开区间，即[0，1)。minval为指定最小边界，默认为1。maxval为指定的最大边界，如果是数据浮点型则默认为1，如果数据为整形则必须指定。
• tf.random_shuffle(value)
  沿着要被洗牌的张量的第一个维度，随机打乱。
• tf.random.normal([3, 4], stddev=0.1, dtype=tf.float32, mean=0.3)
  与上面的用法相似。