torch的所有随机数官方已经整理在torch — PyTorch 1.10.0 documentation这个页面了，我又重新整理到了本blog中，用中文进行了部分解释，方便理解。

一、常用的

1、torch.normal()  正态分布

返回一个张量，包含了从指定均值mean和标准差std的离散正态分布中抽取的一组随机数。

①第一种形式

torch.normal(mean, std, generator=None, out=None) → Tensor

mean (Tensor) – the tensor of per-element means
std (Tensor) – the tensor of per-element standard deviations

generator (torch.Generator, optional) – a pseudorandom number generator for samplin
out (Tensor, optional) – the output tensor.

例子：

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

返回：
tensor([  1.0425,   3.5672,   2.7969,   4.2925,   4.7229,   6.2134,
          8.0505,   8.1408,   9.0563,  10.0566])

②第二种形式

torch.normal(mean, std=1.0, out=None) → Tensor

例子：

torch.normal(mean=torch.arange(1., 6.))

返回：
tensor([ 1.1552,  2.6148,  2.6535,  5.8318,  4.2361])

③第三种形式

torch.normal(mean, std, size, out=None) → Tensor

• size (int...) – a sequence of integers defining the shape of the output tensor.

例子：

torch.normal(2, 3, size=(1, 4))

返回：
tensor([[-1.3987, -1.9544,  3.6048,  0.7909]])

2、torch.rand()  均匀分布

torch.rand(*size, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False) → Tensor

返回一个张量，包含了从区间[0, 1)的均匀分布中抽取的一组随机数。张量的形状由参数sizes定义。

sizes (int…) - 整数序列，定义了输出张量的形状

out (Tensor, optional) – the output tensor.
dtype (torch.dtype, optional) – the desired data type of returned tensor. Default: if None, uses a global default (see torch.set_default_tensor_type()).
layout (torch.layout, optional) – the desired layout of returned Tensor. Default: torch.strided.
device (torch.device, optional) – the desired device of returned tensor. Default: if None, uses the current device for the default tensor type (see torch.set_default_tensor_type()). device will be the CPU for CPU tensor types and the current CUDA device for CUDA tensor types.
requires_grad (bool, optional) – If autograd should record operations on the returned tensor. Default: False.

例子：

>>> torch.rand(4)
tensor([ 0.5204,  0.2503,  0.3525,  0.5673])

>>> torch.rand(2, 3)
tensor([[ 0.8237,  0.5781,  0.6879],
        [ 0.3816,  0.7249,  0.0998]])

3、torch.randint()  均匀分布

torch.randint(low=0, high, size, generator=None, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False) → Tensor

产生一个tensor，tensor中的每个元素都是从[low, high)(前闭后开)中获得的。使用均匀分布。

参数同【2、torch.rand()】

例子：

>>> torch.randint(3, 5, (3,))
tensor([4, 3, 4])

>>> torch.randint(10, (2, 2))
tensor([[0, 2],
        [5, 5]])

>>> torch.randint(3, 10, (2, 2))
tensor([[4, 5],
        [6, 7]])

4、torch.randn()  正态分布

torch.randn(*size, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False) → Tensor

返回一个张量，包含了从标准正态分布（均值为0，方差为1，即高斯白噪声）中抽取的一组随机数。张量的形状由参数sizes定义。

参数同【2、torch.rand()】

例子：

>>> torch.randn(4)
tensor([-2.1436,  0.9966,  2.3426, -0.6366])

>>> torch.randn(2, 3)
tensor([[ 1.5954,  2.8929, -1.0923],
        [ 1.1719, -0.4709, -0.1996]])

5、torch.randperm()  官方没有说是什么分布

torch.randperm(n, generator=None, out=None, dtype=torch.int64, layout=torch.strided, device=None, requires_grad=False, pin_memory=False) → Tensor

返回 0到n-1之间，所有数字的一个随机排列

参数同【2、torch.rand()】

pin_memory (bool, optional) – If set, returned tensor would be allocated in the pinned memory. Works only for CPU tensors. Default: False.

例子：

>>> torch.randperm(4)
tensor([2, 1, 0, 3])

6、torch.rand_like() 

torch.rand_like(input, dtype=None, layout=None, device=None, requires_grad=False, memory_format=torch.preserve_format) → Tensor

功能和【2、torch.rand()】完全相同，只是输出的shape和input.shape相同。

7、torch.randint_like()

torch.randint_like(input, low=0, high, *, dtype=None, layout=torch.strided, device=None, requires_grad=False, memory_format=torch.preserve_format) → Tensor

功能和【3、torch.randint()】完全相同，只是输出的shape和input.shape相同。 

8、torch.randn_like()

torch.randn_like(input, *, dtype=None, layout=None, device=None, requires_grad=False, memory_format=torch.preserve_format) → Tensor

功能和【4、torch.randn()】完全相同，只是输出的shape和input.shape相同。 

二、不常用的

1、torch.bernoulli()

torch.bernoulli(input, generator=None, out=None) →Tensor

从伯努利分布（二项分布）中提取二进制随机数（0或1）

输出的shape和input的shape相同，input中每个元素的值就是生成“输出中当前位置的元素值的”“伯努利分布的概率”，如下公式：

所以，input中每个元素的值都必须是[0, 1]之间的概率值。 

例子：

>>> a = torch.empty(3, 3).uniform_(0, 1)  # generate a uniform random matrix with range [0, 1]
>>> a
tensor([[ 0.1737,  0.0950,  0.3609],
        [ 0.7148,  0.0289,  0.2676],
        [ 0.9456,  0.8937,  0.7202]])
>>> torch.bernoulli(a)
tensor([[ 1.,  0.,  0.],
        [ 0.,  0.,  0.],
        [ 1.,  1.,  1.]])

>>> a = torch.ones(3, 3) # probability of drawing "1" is 1
>>> torch.bernoulli(a)
tensor([[ 1.,  1.,  1.],
        [ 1.,  1.,  1.],
        [ 1.,  1.,  1.]])
>>> a = torch.zeros(3, 3) # probability of drawing "1" is 0
>>> torch.bernoulli(a)
tensor([[ 0.,  0.,  0.],
        [ 0.,  0.,  0.],
        [ 0.,  0.,  0.]])

2、torch.multinomial()

torch.multinomial(input, num_samples, replacement=False, generator=None, out=None) → LongTensor

作用是对input的每一行做n_samples次取值，输出的张量是每一次取值时input张量对应行的下标。

If input is a vector, out is a vector of size num_samples.

If input is a matrix with m rows, out is an matrix of shape (m×num_samples).

input张量可以看成一个权重张量，每一个元素代表其在该行中的权重。如果有元素为0，那么在其他不为0的元素被取干净之前，这个元素是不会被取到的。

n_samples是每一行的取值次数，该值不能大于每一行的元素数，否则会报错。

replacement指的是取样时是否是有放回的取样，True是有放回，False无放回。

（参考：torch.multinomial()理解_monchin的博客-CSDN博客）

看官方给的例子：

>>> weights = torch.tensor([0, 10, 3, 0], dtype=torch.float) # create a tensor of weights
>>> torch.multinomial(weights, 2)
tensor([1, 2])

>>> torch.multinomial(weights, 4) # ERROR!
RuntimeError: invalid argument 2: invalid multinomial distribution (with replacement=False,
not enough non-negative category to sample) at ../aten/src/TH/generic/THTensorRandom.cpp:320

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

3、torch.poisson()

torch.poisson(input, generator=None) → Tensor

input的作用，类似于torch.bernoulli()中input的作用

input (Tensor) – the input tensor containing the rates of the Poisson distribution

>>> rates = torch.rand(4, 4) * 5  # rate parameter between 0 and 5
>>> torch.poisson(rates)
tensor([[9., 1., 3., 5.],
        [8., 6., 6., 0.],
        [0., 4., 5., 3.],
        [2., 1., 4., 2.]])

三、每个函数对应的原地运算

In-place random sampling

There are a few more in-place random sampling functions defined on Tensors as well. Click through to refer to their documentation:

• torch.Tensor.bernoulli_() - in-place version of torch.bernoulli()

• torch.Tensor.cauchy_() - numbers drawn from the Cauchy distribution

• torch.Tensor.exponential_() - numbers drawn from the exponential distribution

• torch.Tensor.geometric_() - elements drawn from the geometric distribution

• torch.Tensor.log_normal_() - samples from the log-normal distribution

• torch.Tensor.normal_() - in-place version of torch.normal()

• torch.Tensor.random_() - numbers sampled from the discrete uniform distribution

• torch.Tensor.uniform_() - numbers sampled from the continuous uniform distribution

四、设置随机数的种子

主要是torch.seed()、torch.manual_seed()、torch.initial_seed()

1、torch.initial_seed()
无参数
Returns the initial seed for generating random numbers as a Python long.
可以看出，这个函数只是返回一个python long类型的数值。

2、torch.manual_seed(seed)
Sets the seed for generating random numbers. Returns a torch.Generator object.
seed (int) 必须的参数，随机数种子。如果seed为负值，则会通过0xffff_ffff_ffff_ffff + seed映射为正值。seed的值的范围为 [-0x8000_0000_0000_0000, 0xffff_ffff_ffff_ffff]。

# 为CPU设置种子用于生成随机数，以使得结果是确定的
torch.manual_seed(args.seed)

# torch.cuda.manual_seed()为当前GPU设置随机种子
if args.cuda:
    torch.cuda.manual_seed(args.seed)

# 如果使用多个GPU，应该使用torch.cuda.manual_seed_all()为所有的GPU设置种子。
if args.cuda:
    torch.cuda.manual_seed_all(args.seed)

（参考：https://blog.csdn.net/qq_40357974/article/details/100973233）

例子：

import torch
seed = 2021
torch.manual_seed(seed)
torch.manual_seed(seed)
# torch.cuda.manual_seed(seed)
a=torch.rand([3, 3])

 3、torch.seed()
无参数
Sets the seed for generating random numbers to a non-deterministic random number. Returns a 64 bit number used to seed the RNG.
这个函数的功能：就是产生一个随机数字，作为manual_seed()函数的种子，并执行manual_seed()；可以看一下torch.seed()的代码。
RNG：随机数发生器（专业名词）

最后

以上就是无聊网络为你收集整理的pytorch中的所有随机数（normal、rand、randn、randint、randperm) 以及 随机数种子(seed、manual_seed、initial_seed)一、常用的二、不常用的三、每个函数对应的原地运算四、设置随机数的种子的全部内容，希望文章能够帮你解决pytorch中的所有随机数（normal、rand、randn、randint、randperm) 以及 随机数种子(seed、manual_seed、initial_seed)一、常用的二、不常用的三、每个函数对应的原地运算四、设置随机数的种子所遇到的程序开发问题。

如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。