-
numpy.random.normal学习笔记用例:
- 正态分布=高斯分布
-
mean=loc=均值（或称期待值） stddev=scale=标准差 shape=size=输出形状，二者在处理这个参数时候(a,b)=[a,b],其中，numpy的normal对参数格式要求更灵活一些。 比如创建随机数的一行两列数组：
np.random.normal([2])=np.random.normal((2))=np.random.normal(0，1，2)注意最后一种用法必须带上前面两个参数，否则传递参数时候会把2当作均值传递
而tf的random_normal对shape的要求不能是数字，必须为[]或（）格式
———————————————————————————————————————————————————————————————————————————————— -
对于numpy.random.normal函数，有三个参数（loc, scale, size），分别代表生成的高斯分布的随机数的均值、方差以及输出的size.
numpy.random.normal(loc=0.0, scale=1.0, size=None) -
意义如下：
参数loc(float)：正态分布的均值，对应着这个分布的中心。loc=0说明这一个以Y轴为对称轴的正态分布；
参数scale(float)：正态分布的标准差，对应分布的宽度，scale越大，正态分布的曲线越矮胖，scale越小，曲线越高瘦。
参数size(int 或者整数元组)：输出的值赋在shape里，默认为None。
———————————————————————————————————————————————————————————————————————————————— -
功能:
从正态（高斯）分布中抽取随机样本。 - 渊源：
-
正态分布（Normal distribution），也称“常态分布”，又名高斯分布（Gaussian distribution），最早由棣莫弗（Abraham de Moivre）在求二项分布的渐近公式中得到。
-
在其后200年，高斯和拉普拉斯也分别发现了正态分布的概率密度函数。自然界中有许多符合正态分布的案例。例如，它可以描述样本受大量微小随机扰动影响的常见分布，其中，每个扰动都有自己独特的分布。
参数: -
| 变量名 | 数据类型 | 功能 |
|---|---|---|
| loc | 浮点型数据或者浮点型数据组成的数组 | 分布的均值（中心） |
| scale | 浮点型数据或者浮点型数据组成的数组 | 分布的标准差（宽度） |
| size | 整数或者整数组成的元组，可选参数 | 输出值的维度。如果给定的维度为(m, n, k)，那么就从分布中抽取m * n * k个样本。如果size为None（默认值）并且loc和scale均为标量，那么就会返回一个值。否则会返回np.broadcast(loc, scale).size个值 |
- 返回值:
| 变量名 | 数据类型 | 功能 |
|---|---|---|
| out | n维数组或标量 | 从含参的正态分布中抽取的随机样本 |
- 备注:
高斯分布的概率密度函数为 p ( x ) = 1 2 π σ 2 e − ( x − μ ) 2 2 σ 2 p(x)=\frac{1}{\sqrt{2\pi\sigma^2}}e^{-\frac{(x-\mu)^2}{2\sigma^2}}p(x)=2πσ21e−2σ2(x−μ)2其中μ \muμ代表均值，σ \sigmaσ代表标准差，标准差的平方σ 2 \sigma^2σ2称作方差。 函数在均值位置点取到峰值，当标准差增大的时候，其宽度也会增加（函数在x − σ x-\sigmax−σ到x + σ x+\sigmax+σ之间的面积为其总面积的0.607倍）。这意味着numpy.random.normal更有可能返回靠近均值的样本而不是那些远离均值的样本。
最后对比参考TF和NP：
tf.random_normal()函数用于从服从指定正太分布的数值中取出指定个数的值。
tf.random_normal(shape, mean=0.0, stddev=1.0, dtype=tf.float32, seed=None, name=None)
np.random.normal()给出均值为loc，标准差为scale的高斯随机数（场）.
numpy.random.normal(loc=0.0, scale=1.0, size=None)