在 float32/16 中就地生成正常的随机数答案

【问题标题】：Generate normal random numbers in float32/16 in-place在 float32/16 中就地生成正常的随机数
【发布时间】：2014-03-26 20:02:43
【问题描述】：

在 Numpy/Scipy 中，如何从具有指定（浮点）dtype 的正态分布生成随机数？就我而言，我需要float32 和float16。

由于数组很大，我不想在采样后转换数组。

例如：

a = np.random.normal(1e7).astype('float16')

可以完成这项工作，但由于它需要一个临时 float64 数组，因此它使用的 RAM 是直接 float16 采样的 4 倍。

【问题讨论】：

标签： python random numpy scipy

【解决方案1】：

Random Generator 中的standard_normal 现在支持dtype 参数。

>>> import numpy as np
>>> rng = np.random.default_rng()
>>> rng.standard_normal(10, dtype=np.float32)
array([ 1.0513772 ,  0.471835  ,  0.22101597, -0.5053934 , -0.33512875,
       -0.20794971, -0.2699952 , -1.2080398 , -0.16769128,  1.3502929 ],
      dtype=float32)

【讨论】：

【解决方案2】：

我不知道 numpy 或 scipy 中的随机数生成器可以本地生成 16 位或 32 位浮点数。

为避免大的临时性，您可以批量生成值。例如，下面创建了一个包含 10000000 个 float16 值样本的数组。

In [125]: n = 10000000  # Number of samples to generate

In [126]: k = 10000     # Batch size

In [127]: a = np.empty(n, dtype=np.float16)

In [128]: for i in range(0, n, k):
   .....:     a[i:i+k] = np.random.normal(loc=0, scale=1, size=k)
   .....:

【讨论】：

我接受这个答案，因为精确的就地操作是不可能的，这个解决方案是在不使用太多 RAM 的情况下生成大量随机数的最佳方法。