### PyTorch 中生成随机数据的方法 在 PyTorch 中，有多种方法可以用于生成随机数据。这些方法适用于不同的场景和需求，下面详细介绍几种常见的随机数据生成函数。 #### 1. `torch.rand` 和 `torch.randn` - **`torch.rand`**: 这个函数用来生成一个指定形状的张量，其中填充的是从均匀分布 `[0, 1)` 中提取的随机数[^2]。 ```python tensor_uniform = torch.rand(3, 3) # 生成一个3x3的张量，数值范围为[0, 1) print(tensor_uniform) ``` - **`torch.randn`**: 此函数生成一个指定形状的张量，其元素是从标准正态分布（均值为0，方差为1）中抽取的随机数[^2]。 ```python tensor_normal = torch.randn(3, 3) # 生成一个3x3的张量，服从标准正态分布 print(tensor_normal) ``` #### 2. `torch.randint` - **`torch.randint`**: 该函数用于生成一个指定形状的张量，其中填充的是从给定区间的整数集合中随机选取的数。 ```python tensor_integers = torch.randint(low=0, high=10, size=(3, 3)) # 随机生成介于0到10之间的整数矩阵 print(tensor_integers) ``` #### 3. `torch.normal` - **`torch.normal`**: 可以生成一个由正态分布产生的随机数构成的张量。可以通过提供均值和标准差来控制分布特性。 ```python mean_tensor = torch.tensor([0.0]) std_tensor = torch.tensor([1.0]) normal_dist = torch.normal(mean=mean_tensor, std=std_tensor) # 均值为0，标准差为1的正态分布 print(normal_dist) ``` #### 4. `torch.full` - **`torch.full`**: 虽然这个函数主要用于生成填充值固定的张量，但它也可以作为某些特定情况下的一种“伪随机”方式使用，比如当需要初始化固定值时[^2]。 ```python full_tensor = torch.full((3, 3), fill_value=5) # 创建一个3x3全为5的张量 print(full_tensor) ``` #### 5. 使用现有 Tensor 属性创建新随机 Tensor 除了上述直接生成随机数据的方式外，还可以利用已有的 Tensor 来构建新的随机 Tensor，这样能够继承原 Tensor 的部分属性，如设备类型 (`device`) 和数据精度 (`dtype`) 等[^3]。 ```python existing_tensor = torch.ones(3, 3) random_like_existing = torch.randn_like(existing_tensor, dtype=torch.float) # 新建一个与existing_tensor相同尺寸但服从N(0,1)分布的新Tensor print(random_like_existing) ``` 以上就是在 PyTorch 中常用的几种生成随机数据的方法总结。