PyTorch是一個開源的深度學(xué)習(xí)框架，它提供了一個用于高級特性的Python包。在本文中，我們將介紹PyTorch中的常見抽樣函數(shù)。抽樣是一個統(tǒng)計過程，它從總體中提取一個子集，通過子集來研究整個總體。

torch.bernoulli()

伯努利分布是一個離散分布，有兩個結(jié)果，即成功和失敗。如果成功的概率是p，那么失敗的概率是(1-p)，反之亦然。

PyTorch的實現(xiàn)和相應(yīng)的輸出如下:

a = torch.empty(3, 3).uniform_(0, 1)
 print(a)

輸出如下：

tensor([[0.0966, 0.7385, 0.6546],
        [0.4255, 0.8294, 0.8315],
        [0.8065, 0.8228, 0.6467]])

現(xiàn)在我們把bernoulli()函數(shù)應(yīng)用到張量上

torch.bernoulli(a)

輸出如下：

tensor([[0., 1., 1.],
        [1., 1., 0.],
        [1., 0., 1.]])

torch.Tensor.cauchy_()

柯西分布，又稱柯西-洛倫茲分布，在統(tǒng)計學(xué)中，具有兩個參數(shù)的連續(xù)分布函數(shù)，最早于19世紀(jì)初由法國數(shù)學(xué)家奧古斯丁-路易斯·柯西研究。后來，19世紀(jì)的荷蘭物理學(xué)家亨德里克·洛倫茲(Hendrik Lorentz)用它來解釋強迫共振或振動。第一眼看柯西分布看起來像正態(tài)分布，但它的“尾巴”并不像正態(tài)分布那樣迅速逐漸消失。

柯西分布可能看起來類似于正態(tài)分布，它的峰值比高斯分布高，與正態(tài)分布不同的是，它的尾部衰減得更慢。

a = torch.ones(3, 3)
 a

輸出：

tensor([[1., 1., 1.],
        [1., 1., 1.],
        [1., 1., 1.]])

現(xiàn)在我們應(yīng)用cauchy_()函數(shù)

torch.Tensor.cauchy_(a)

輸出：

tensor([[-4.5374, 0.3726, 0.4947],
        [ 0.4111, 0.9167, 0.7214],
        [ 1.0533, -9.2247, 0.7620]])

注意，這里的函數(shù)名稱以"_"結(jié)尾，這是pytorch的一個規(guī)定，他將會用改寫參數(shù)，也就是我們傳進去的變量a

torch.poisson ()

泊松分布用于計算一個事件在平均價值率(時間)的一定時間內(nèi)發(fā)生的可能性。泊松分布是一個離散的概率分布。

 a = torch.rand(4, 4) * 5 # rate parameter between 0 and 5
 torch.poisson(a)

輸出如下：

 tensor([[2., 1., 0., 8.],
        [2., 3., 3., 3.],
        [0., 0., 1., 6.],
        [0., 5., 3., 3.]])

torch.normal ()

正態(tài)分布，又稱高斯分布，是獨立隨機變量的連續(xù)分布函數(shù)。該分布有一個鐘形曲線，其特征有兩個參數(shù):均值，即圖型上的最大值，圖總是對稱的;還有標(biāo)準(zhǔn)差，它決定了離均值的差值。

torch.normal(mean=torch.arange(1., 11.), std=torch.arange(1, 0, -0.1))

輸出如下：

 tensor([-0.6932, 2.3833, 2.3547, 3.8103, 5.4436, 5.8295, 7.5898, 8.4793,
          9.1938, 10.0637])

torch.rand ()

PyTorch torch.randn()返回一個由可變參數(shù)大小(定義輸出張量形狀的整數(shù)序列)定義的張量，包含來自標(biāo)準(zhǔn)正態(tài)分布的隨機數(shù)。

標(biāo)準(zhǔn)正態(tài)分布，也稱為z分布，是一種特殊的正態(tài)分布，其均值為0，標(biāo)準(zhǔn)差為1

 torch.randn(4,4)

輸出如下：

 tensor([[-1.3119, -0.2177, -0.2496, 0.2361],
        [-1.2755, -0.2271, 1.5297, 0.6433],
        [-0.4198, -0.9269, -0.6260, -0.9713],
        [ 0.6730, -1.2400, 2.1338, 0.2051]])