pytorch的随机抽样
目录
-
-
- 1.如何设置随机种子？
- 2.如何进行伯努利分布采样？
- 3.如何进行多项式分布抽样？
- 4.如何进行标准分布抽样？
-
1.如何设置随机种子？
torch.manual_seed(123) #manual 手控的
# 如没有手动设置，则返回系统生成的随机种子；否则，返回手动设置的随机种子
seed = torch.initial_seed()
print("seed:{}".format(seed))
# 返回随机生成器的状态
state = torch.get_rng_state() # state 状态
print("state:{}".format(state),len(state))
---------------------------------------------------------------------
result:
seed:123
state:tensor([123, 0, 0, ..., 0, 0, 0], dtype=torch.uint8) 5056
2.如何进行伯努利分布采样？
伯努利分布(0-1分布)的结果只有0和1，并且0<=p<=1
torch.manual_seed(123)
a = torch.rand(3,3)
print(a)
b = torch.bernoulli(a) # bernoulli()伯努利
print(b)
---------------------------------------------------------------------
result:
tensor([[0.2961, 0.5166, 0.2517],
[0.6886, 0.0740, 0.8665],
[0.1366, 0.1025, 0.1841]])
tensor([[0., 1., 0.],
[1., 0., 1.],
[0., 0., 0.]])
3.如何进行多项式分布抽样？
weights1 = torch.Tensor([20,10,3,2])
# torch.multinomial 第一个参数为多项式权重，可以是向量，也可以是矩阵，有权重决定‘下标’的抽样
# 数值越大，被采样到的几率越高
# 若为向量：replacement 代表是否又放回的抽样 True 行数=1 列数由num_sample指定 False: 行数为1 列数不超过 weights
# 不放回的采样个数当然要小于采样对象内部的元素个数
a = torch.multinomial(weights1,num_samples=4,replacement=False) # multinomial 多项式
b = torch.multinomial(weights1,num_samples=10,replacement=True)
print(a)
print(b)
# 若为矩阵：replacement 代表是否又放回的抽样 True 行数=weights的行数 列数由num_sample指定 False: 行数为weights的行数 列数不超过 weights
weights2 = torch.Tensor([[20,10,3,2],[30,4,5,60]])
c = torch.multinomial(weights2,num_samples=3,replacement=False)
d = torch.multinomial(weights2,num_samples=15,replacement=True)
print(c)
print(d)
---------------------------------------------------------------------
result:
tensor([0, 1, 3, 2])
tensor([0, 1, 1, 1, 1, 2, 0, 0, 0, 2])
tensor([[1, 0, 2, 3],
[0, 3, 2, 1]])
tensor([[0, 1, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 2, 0, 1],
[0, 0, 0, 2, 3, 0, 3, 3, 1, 3, 0, 0, 3, 3, 3]])
4.如何进行标准分布抽样？
链接: 正态分布.
x = torch.normal(mean=0.5,std=torch.arange(0.1,1,0.0001)) # normal 标准
print(x)
y = torch.normal(mean=torch.arange(0.1,1,0.1),std=0.5)
print(y)
z= torch.normal(mean=torch.arange(0.1,1,0.1),std=torch.arange(0.1,1,0.1))
print(z)
plt.plot(torch.arange(0.1,1,0.0001).data.numpy(),x.data.numpy())
plt.show()
---------------------------------------------------------------------
result:
tensor([ 0.3764, 0.5162, 0.3239, ..., 1.4991, -0.4632, -0.2401])
tensor([ 0.2708, -0.0637, 0.1827, 0.2584, 0.1495, 0.4239, 1.6819, 0.8798,
1.2386])
tensor([0.0554, 0.3297, 0.2785, 1.1061, 0.4193, 0.6390, 0.5043, 1.1231, 1.8046])
正态分布采样结果：
