我們在使用Numpy或Pytorch時有時候需要使用隨機數(shù)來初始化一個矩陣，randn和rand就屬于其中比較常見的兩個函數(shù)。二者的使用方法相似，在numpy中函數(shù)形式為：

numpy.random.randn(d0, d1, d2, ..., dn)
numpy.random.rand(d0, d1, d2, ..., dn)

在Pytorch中的函數(shù)形式為：

torch.randn(d0, d1, d2, ..., dn)
torch.rand(d0, d1, d2, ..., dn)

在一些教程中經(jīng)常會看到作者在寫代碼時混用它們二者，實際上它們還是有一些區(qū)別的。具體來講，randn是從標(biāo)準(zhǔn)正態(tài)分布中返回一個或多個樣本值。正態(tài)分布，也即這些隨機數(shù)的期望為0，方差為1；rand則會產(chǎn)生[0, 1)之間的隨機數(shù)。 關(guān)于記憶方法，我們可以把randn中的n看成是正態(tài)分布(Normal distribution)中“Normal”的縮寫。

Numpy - randn

Numpy - rand

Pytorch - randn

Pytorch - rand

多說一句，在Tensorflow中也有類似功能的函數(shù)，根據(jù)其命名可以很容易推斷出其功能。用于產(chǎn)生正態(tài)分布的函數(shù)為：

tf.random_normal()

常用參數(shù)為 (shape,stddev,mean,dtype)；

用于產(chǎn)生[0,1)之間隨機數(shù)的函數(shù)為：

tf.random_uniform()

默認(rèn)產(chǎn)生0，1之間的隨機數(shù)，不過也可以通過maxval指定上界，通過minval指定下界。