如何在pytorch中创建正态分布

Question

我想在 pytorch 中创建一个随机正态分布，mean 和 std 分别为 4、0.5。我没有找到它的API。有谁知道？非常感谢。

Answer 1

您可以像文档中描述的here 那样创建您的发行版。 在您的情况下，这应该是正确的调用，包括从创建的分布中采样：

from torch.distributions import normal

m = normal.Normal(4.0, 0.5)
s = m.sample()

如果你想获取某种尺寸/形状的样品，可以pass it to sample()，例如

s = m.sample([5, 5])

对于 5x5-Tensor。

Answer 2

所有分发请参见：https://pytorch.org/docs/stable/distributions.html#

点击右侧菜单跳转到正常（或在文档中搜索）。

示例代码：

import torch

num_samples = 3
Din = 1
mu, std = 0, 1
x = torch.distributions.normal.Normal(loc=mu, scale=std).sample((num_samples, Din))

print(x)

---

有关火炬分布的详细信息（重点是制服），请参阅我的 SO 答案：https://stackoverflow.com/a/62919760/1601580

Answer 3

这取决于你想要生成什么。

用于生成标准正态分布使用 -

torch.randn()

对于所有分布（比如正态分布、泊松分布或均匀分布等）使用 torch.distributions.Normal() 或 torch.distribution.Uniform()。 所有这些方法的细节可以在这里看到 - https://pytorch.org/docs/stable/distributions.html#normal

一旦定义了这些方法，您就可以使用 .sample 方法来生成实例数。如果分布参数是批处理的，它还允许您生成 sample_shape 形状的样本或 sample_shape 形状的批次样本。

Answer 4

您可以轻松使用torch.Tensor.normal_() 方法。

让我们创建一个维度为1 × 5 的矩阵Z（一维张量），其中填充来自mean = 4 和std = 0.5 参数化的正态分布的随机元素样本。

torch.empty(5).normal_(mean=4,std=0.5)

结果：

tensor([4.1450, 4.0104, 4.0228, 4.4689, 3.7810])

Answer 5

对于标准正态分布（即mean=0 和variance=1），您可以使用torch.randn()

对于您自定义mean 和std 的情况，您可以使用torch.distributions.Normal()

---

初始化签名：
tdist.Normal(loc, scale, validate_args=None)

文档字符串：
创建参数化的正态（也称为高斯）分布 loc 和 scale。

参数：
loc (float or Tensor): 分布的均值（通常称为 mu）
scale (float or Tensor): 分布的标准差 （通常称为 sigma）

---

这是一个例子：

In [32]: import torch.distributions as tdist

In [33]: n = tdist.Normal(torch.tensor([4.0]), torch.tensor([0.5]))

In [34]: n.sample((2,))
Out[34]: 
tensor([[ 3.6577],
        [ 4.7001]])

Answer 6

一个简单的选择是使用基本模块中的randn 函数。它从标准高斯分布中创建一个随机样本。要更改平均值和标准差，您只需使用加法和乘法即可。下面我根据您要求的分布创建大小为 5 的样本。

import torch
torch.randn(5) * 0.5 + 4 # tensor([4.1029, 4.5351, 2.8797, 3.1883, 4.3868])