python调用tensorflow库,python np.random
本文主要介绍如何使用python人工智能tensorflow函数的np.random模块。有需要的朋友可以借鉴一下，希望能有所帮助。祝大家进步很大，早日升职加薪。
00-1010NP。随机模块介绍一些常用方法的例子numpy.random.rand(d0，d1，hellip，dn):numpy.random.randn(d0，d1，…，dn): numpy . random . randint(low，high=None，size=None，dtype=‘I’): numpy . random . uniform(low=0.0，high=1.0，size=None): numpy . random . normal(loc=0.0，scale=1.0，size=None)numpy . random(size=None)numpy . random
目录
名称numpy.random.rand(d0，d1，…，dn)用于生成一个[d0，d1，…，dn]维的numpy数组。数组的元素取自[0，1]上的均匀分布。如果没有输入参数，则生成一个数字[0，1]。Numpy.random.randn(d0，d1，…，dn)生成一个具有标准正态分布的[d0，d1，…，dn]维的Numpy数组。Numpy.random.randint (low，high=none，size=none，dtype= i )生成一个取值范围为[low，high]的整数。如果没有输入参数高，取值范围为[0，低]。Numpy.random.uniform (low=0.0，high=1.0，size=none)生成符合均匀分布的浮点数。取值范围为[低，高]，默认值范围为[0，1.0]。Numpy.random.normal (loc=0.0，scale=1.0，size=none)根据正态分布生成具有loc平均值、scale标准偏差和大小形状的浮点数。Numpy.random.random(size=None)生成[0.0，1.0]之间的浮点数。Numpy.random.choice (a，size=none，replace=True，p=none)从(数组)中选择一个大小(维度)的随机数。Replace=true表示可重复抽取，p是a中每个数的概率，如果a是整数，则a表示的数组是arange(a)。
np.random模块常用的一些方法介绍
例子
生成一个[d0，d1，…，dn]维的numpy数组。数组的元素取自[0，1]上的均匀分布。如果没有参数输入，将生成一个数字[0，1]。
将numpy作为np导入
v1=np.random.rand()
v2=np.random.rand(3，4)
打印(v1)
打印(v2)
输出是：
0.618411110932038
[[0.35134062 0.55609186 0.4173297 0.85541691]
[0.35144304 0.31204156 0.60196109 0.390464 ]
[0.19186067 0.94570486 0.8637441 0.07028114]]
n">
numpy.random.randn(d0, d1, …, dn):
生成一个[d0, d1, …, dn]维的numpy数组，具有标准正态分布。
import numpy as npv1 = np.random.randn()
v2 = np.random.randn(3,4)
print(v1)
print(v2)
输出结果为：
0.47263651836701953
[[-0.23431214 0.97197099 0.52845269 -0.45246824]
[-1.1266395 -1.60040653 -2.64602615 -0.19457032]
[-0.520287 -1.0799122 0.08441667 0.34980224]]
numpy.random.randint(low, high=None, size=None, dtype=‘I’):
生成整数，取值范围为[low, high)，若没有输入参数high，则取值区间为[0, low)。
import numpy as npv1 = np.random.randint(5)
v2 = np.random.randint(1,high = 5)
v3 = np.random.randint(1,high = 5,size = [3,4])
print(v1)
print(v2)
print(v3)
输出结果为：
2
3
[[1 1 3 1]
[2 2 3 2]
[3 4 2 1]]
numpy.random.uniform(low=0.0, high=1.0, size=None):
生成符合均分布的浮点数，取值范围为[low, high)，默认取值范围为[0, 1.0)。
import numpy as npv1 = np.random.uniform()
v2 = np.random.uniform(low = 0,high = 5)
v3 = np.random.uniform(low = 0,high = 5,size = [3,4])
print(v1)
print(v2)
print(v3)
输出结果为：
0.6925621763952164
3.0483936610544218
[[1.34959297 4.84117424 0.41277118 4.81392216]
[2.91266734 0.87922181 3.39729422 3.34340092]
[0.45158364 3.8129479 0.54246798 2.57192192]]
numpy.random.normal(loc=0.0, scale=1.0, size=None)
按照正态分布生成均值为loc，标准差为scale的，形状为size的浮点数。
import numpy as npv1 = np.random.normal()
v2 = np.random.normal(loc = 0,scale = 5)
v3 = np.random.normal(loc = 0,scale = 5,size = [3,4])
print(v1)
print(v2)
print(v3)
输出结果为：
0.7559391954091367
-3.359831771004067
[[ 3.90821047 6.37757533 6.3813528 0.86219281]
[ -3.61201084 4.05948053 -3.91172941 11.29050165]
[ -8.60318633 -10.07090496 -4.86557867 7.98536182]]
numpy.random.random(size=None)
生成[0.0, 1.0)之间的浮点数。
import numpy as npv1 = np.random.random()
v2 = np.random.random(size = [3,4])
print(v1)
print(v2)
输出结果为：
0.5930924941107145
[[0.41002067 0.28097163 0.8908558 0.16951515]
[0.59730596 0.57475303 0.84174255 0.59633522]
[0.63508879 0.44138737 0.6223043 0.61540997]]
numpy.random.choice(a, size=None, replace=True, p=None)
从a（数组）中选取size（维度）大小的随机数，replace=True表示可重复抽取，p是a中每个数出现的概率。
若a是整数，则a代表的数组是arange(a)。
import numpy as npv1 = np.random.choice(5)
v2 = np.random.choice(5,size = 5)
v3 = np.random.choice([1,2,3,4,5],size = 5)
v4 = np.random.choice([1,2,3,4,5],size = 5,p = [1,0,0,0,0])
v5 = np.random.choice([1,2,3,4,5],size = 5,replace = False)
print("v1:",v1)
print("v2:",v2)
print("v3:",v3)
print("v4:",v4)
print("v5:",v5)
输出结果为：
v1: 1
v2: [0 0 4 0 4]
v3: [3 2 3 1 1]
v4: [1 1 1 1 1]
v5: [4 2 3 5 1]
以上就是python人工智能tensorflow函数np.random模块使用方法的详细内容，更多关于tensorflow函数np.random模块的资料请关注盛行IT软件开发工作室其它相关文章！
郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。