np.random.rand函数的用法

np.random.rand函数用于生成一个或多个服从“0~1”均匀分布的随机样本值，返回值是一个ndarray数组。该函数的语法格式如下：

numpy.random.rand(d0, d1, ..., dn)

其中，d0, d1, ..., dn是生成的随机数的维度，可以是整数或整数元组。如果没有参数，则返回单个随机浮点数。

以下是一些使用np.random.rand函数生成随机数的例子：

import numpy as np

# 生成一个随机浮点数
rand_num = np.random.rand()
print(rand_num) # 输出：0.123456789

# 生成一个1维数组，包含5个随机浮点数
rand_arr = np.random.rand(5)
print(rand_arr) # 输出：[0.12345679 0.2345679  0.34567801 0.45678902 0.56789013]

# 生成一个2维数组，包含3行4列的随机浮点数
rand_arr_2d = np.random.rand(3, 4)
print(rand_arr_2d)
# 输出：
# [[0.12345679 0.2345679  0.34567801 0.45678902]
#  [0.56789013 0.67890124 0.78901235 0.89012346]
#  [0.90123457 0.01234568 0.12345679 0.2345679 ]]

相关问题

np.random.rand()函数

np.random.rand()函数是一个用于生成服从0~1均匀分布的随机样本值的函数。它的返回值是一个或一组随机样本值，取值范围是[0,1)，不包括1。该函数可以接受多个参数，用于指定生成随机样本值的维度。例如，np.random.rand(2,3)可以生成一个2行3列的随机矩阵。这个函数在深度学习中的Dropout正则化方法中经常被用来生成dropout随机向量。例如，你可以用np.random.rand(al.shape, al.shape) < keep_prob来生成一个与al形状相同的dropout随机向量，其中keep_prob表示保留神经元的比例。

np.random.rand和np.random.randn区别和用法

`np.random.rand`和`np.random.randn`都是NumPy库中的随机数生成函数，但它们在生成随机数的方式和用法上有所不同。

1. `np.random.rand`函数生成指定形状的在[0, 1)范围内均匀分布的随机样本。其使用方法如下：

   np.random.rand(d0, d1, ..., dn)

其中，d0, d1, ..., dn表示生成随机数的数组的维度。函数返回一个具有指定形状的数组，数组中的每个元素都是在[0, 1)范围内的随机数。例如：

   np.random.rand(3, 2)

可以生成一个3行2列的数组，其中的元素都是在[0, 1)范围内的随机数。

2. `np.random.randn`函数生成指定形状的标准正态分布（均值为0，标准差为1）的随机样本。其使用方法如下：

   np.random.randn(d0, d1, ..., dn)

其中，d0, d1, ..., dn表示生成随机数的数组的维度。函数返回一个具有指定形状的数组，数组中的每个元素都是从标准正态分布中随机抽取得到的。例如：

   np.random.randn(3, 2)

可以生成一个3行2列的数组，其中的元素都是从标准正态分布中随机抽取得到的随机数。

总结来说，`np.random.rand`生成的是均匀分布的随机数，而`np.random.randn`生成的是标准正态分布的随机数。在使用时，需要根据具体需求选择合适的随机数生成函数。