day4 随机抽样 入门 一起学 PyTorch吧，PyTorch从入门开始 每天都更新 超详细 参数 常用方法 简单案列 共同学习，共同进步 坚持

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()返回生成随机数的原始种子值（python long）。

torch . get_rng_state() 返回随机生成器状态（ByteTensor）

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 . default_generator = < torch . _C . Generator object >。

torch . bernoulli( input , out = None ) --> Tensor从伯努利分布中抽取二元随机数（0或者1）。输入张量必须包含用于抽取上述二元组随机值的概率。因此，输入中的所有值都必须在[0,1]区间，即0 ≤ input ≤ 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）

例子：

>>> 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( 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。

        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mxn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)。

        --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) 
1
2
0
0
[torch.LongTensor of size 4]

>>> torch.multinomial(weights, 4, replacement=True) 
1
2
1
2
[torch.LongTensor of size 4]

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

例子：

>>> torch.normal(mean=torch.arange(1., 11.),
std=torch.arange(1, 0, -0.1)) , →
tensor([ 1.0425, 3.5672, 2.7969, 4.2925,
4.7229, 6.2134, , →
8.0505, 8.1408, 9.0563, 10.0566

torch . normal(mean =0.0 , std, out = None ) 与上面函数类似，所有抽取的样 本共享均值。

参数：

        --means（Tensor,optional）：所有分布的值

        --std（Tensor）:每个元素的标准差

        --out（Tensor）:可选的输出张量

例子：

>>> torch.normal(mean=0.5, std=torch.arange(1., 6.))
0.5723
0.0871
-0.3783
-2.5689
10.7893
[torch.FloatTensor of size 5]

torch . normal(mean, std =1.0 , out = None ) 与上面函数类似，所有抽取的样 本共享标准差。

参数：

        --menas（Tensor）:每个元素的均值

        --std（float,optional）:所有分布的标准差

        --out（Tensor）:可选的输出张量

例子：

>>> torch.normal(means=torch.arange(1, 6))
1.1681
2.8884
3.7718
2.5616
4.2500
[torch.FloatTensor of size 5]