Numpy中np.random.rand()和np.random.randn() 用法和区别详解

numpy.random.rand(d0, d1, …, dn)的随机样本位于[0, 1)中：本函数可以返回一个或一组服从**“0~1”均匀分布**的随机样本值。 numpy.random.randn(d0, d1, …, dn)是从标准正态分布中返回一个或多个样本值。  1. np.random.rand() 语法： np.random.rand(d0,d1,d2……dn) 注：使用方法与np.random.randn()函数相同 作用： 通过本函数可以返回一个或一组服从“0~1”均匀分布的随机样本值。随机样本取值范围是[0,1)，不包括1。 应用：在深度学习的Dropout正则化方法中，可 在Python的科学计算库Numpy中，`np.random.rand()` 和 `np.random.randn()` 是两个常用的函数，用于生成随机数序列。这两个函数虽然都用于生成随机数，但它们的分布特性有所不同。 `np.random.rand(d0, d1, ..., dn)` 生成的是服从**0到1之间的均匀分布**的随机数。这意味着所有在0到1区间内的值都有相等的可能性被抽到，不包括1。这个函数的参数d0, d1, ..., dn用来指定返回数组的形状，即你可以生成任意维度的数组。例如，`np.random.rand(3, 4)` 将会返回一个3x4的二维数组，其中每个元素都是0到1之间的一个浮点数。 在深度学习中，`np.random.rand()` 常用于Dropout正则化的实现。Dropout是一种防止过拟合的技术，它会在训练过程中随机关闭一部分神经元。例如，如果keep_prob是保留神经元的比例，你可以通过生成一个大小与激活值数组相同的随机向量，并将所有小于keep_prob的值设为0来实现Dropout，即`dl = np.random.rand(al.shape[0], al.shape[1]) < keep_prob`。 另一方面，`np.random.randn(d0, d1, ..., dn)` 生成的是服从**标准正态分布**的随机数。标准正态分布是一个均值为0，标准差为1的连续概率分布。与均匀分布不同，这里的随机数不是均匀分布在某个区间内，而是呈现钟形曲线，更多的数集中在均值附近，越远离均值，数值出现的概率越小。这个函数同样接受多个参数来定义生成数组的形状。 例如，`np.random.randn()` 无参数时返回一个单个的浮点数，有参数时可以返回指定维度的数组。`np.random.randn(5)` 生成一个包含5个元素的一维数组，而`np.random.randn(5, 2)` 则生成一个5行2列的二维数组。与`np.random.rand()` 类似，`np.random.standard_normal()` 函数也是生成标准正态分布的随机数，但它的输入参数是一个元组，而不是逗号分隔的整数。 `np.random.randn()` 在机器学习和统计建模中广泛应用，如初始化权重矩阵、模拟数据等。由于其符合正态分布特性，它常被用来模拟真实世界中许多自然现象的数据分布。 总结来说，`np.random.rand()` 和 `np.random.randn()` 的主要区别在于它们生成的随机数遵循不同的概率分布：前者是0到1之间的均匀分布，后者是标准正态分布。根据实际需求选择合适的函数对于数据分析和模型训练至关重要。