numpy.random.normal学习笔记

  • 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。

    C.F.高斯在研究测量误差时从另一个角度导出了它。P.S.拉普拉斯和高斯研究了它的性质。是一个在数学、物理及工程等领域都非常重要的概率分布,在统计学的许多方面有着重大的影响力。 正态曲线呈钟型,两头低,中间高,左右对称因其曲线呈钟形,因此人们又经常称之为钟形曲线


    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locscale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)=2πσ2​1​e−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)

上一篇:数据结构与算法之选择排序


下一篇:如何使用OSS视频截帧功能快速生成视频预览