首页 > Python资料 博客日记
Python中NumPy库提供的函数——np.random.randn的基本用法
2024-03-25 13:00:04Python资料围观31次
一、基本用法
np.random.randn是NumPy中用于生成服从标准正态分布（均值为0，标准差为1）的随机数的函数。它生成的随机数遵循标准正态分布，也称为高斯分布。
以下是使用np.random.randn生成随机数的示例：
import numpy as np
# 生成一个随机数，服从标准正态分布
random_number = np.random.randn()
print(random_number)
# 生成一个包含多个随机数的 NumPy 数组
random_array = np.random.randn(3, 4) # 生成一个 3x4 的数组，包含随机数
print(random_array)
运行结果：
np.random.normal。
请注意，生成的随机数是伪随机数，它们是通过确定性算法生成的，但通常在实际应用中足够随机。要使随机数生成具有确定性，可以设置随机种子，使用函数，此用于np.random.seed实验的可重复性非常重要。
二、举例神经网络初始化过程中用到一些代码
class TwoLayerNet:
def __init__(self, input_size, hidden_size, output_size, weight_init_std=0.01):
# 初始化权重
self.params = {}
self.params['W1'] = weight_init_std * np.random.randn(input_size, hidden_size)
self.params['b1'] = np.zeros(hidden_size)
self.params['W2'] = weight_init_std * np.random.randn(hidden_size, output_size)
self.params['b2'] = np.zeros(output_size)（1）、代码的作用解释
1、self.params = {}：初始化一个名为 的空字典params。该字典将用于存储神经网络的参数，包括权重和偏差。
2、self.params['W1']：将第一层（隐藏层的输入）的权重矩阵初始化为'W1'。该权重矩阵的大小由input_size（输入特征的数量）和hidden_size（隐藏层中的神经元或单元的数量）决定。权重使用从均值 0 和标准差 的高斯（正态）分布中抽取的随机值进行初始化weight_init_std。
3、self.params['b1']：将第一层（隐藏层的输入）的偏置向量初始化为'b1'。该偏置向量的大小由 确定hidden_size，并且用全零进行初始化。
4、self.params['W2']：将第二层（隐藏到输出）的权重矩阵初始化为'W2'。hidden_size该权重矩阵的大小由（隐藏层中的神经元数量）和output_size（输出层中的神经元或单元数量）决定。与“W1”类似，权重是使用从均值为 0 和标准差 的高斯分布中抽取的随机值来初始化的weight_init_std。
5、self.params['b2']：将第二层（隐藏到输出）的偏置向量初始化为'b2'。该偏置向量的大小由 确定output_size，并且用全零进行初始化。
（2）、weight_init_std的解释
weight_init_std参数控制初始权重的范围。根据具体的神经网络实现，您可能会在训练期间看到对这些参数执行的进一步操作，例如用于学习的前向和后向传播。
weight_init_std，该值设置为 0.01。该值表示使用从高斯（正态）分布中抽取的随机值初始化神经网络层的权重时使用的标准偏差。
当weight_init_std设置为0.01时，表示神经网络的初始权重取自均值为0、标准差为0.01的高斯分布。该值是神经网络中权重初始化的常见选择，并且在处理小规模数据集或深度网络时经常使用。较小的值会weight_init_std导致较小的初始权重，这有助于稳定训练过程并防止梯度在反向传播期间变得太大。
总体而言选择weight_init_std可能会影响神经网络从数据中学习的效率以及训练期间收敛的速度。不同的值可能更适合不同的任务和架构，因此它通常是一个可以在神经网络模型开发过程中调整的超参数。
标签：
相关文章
最新发布
- Python淘宝书籍图书销售数据爬虫可视化分析大屏全屏系统 开题报告
- Python中NumPy库提供的函数——np.random.randn的基本用法
- 从静态到动态化，Python数据可视化中的Matplotlib和Seaborn
- 爬虫实战+数据分析：全国消费支出分析及未来预测
- aardio封装库) sunny抓包工具的使用
- Python广东广州二手房源爬虫数据可视化分析大屏全屏系统 开题报告
- AttributeError: ‘DataFrame‘ object has no attribute ‘iteritems‘解决方案【Bug已解决-Python】
- Microsoft SQL Server 编写汉字转拼音函数
- 用python复制粘贴excel指定单元格（可保留格式）
- 【头歌-Python】Python第一章作业（初级）
点击排行
- PyPy JIT编译器背后的奥秘(揭开PyPy高性能Python的编译优化技术)
- Python数字ceil()方法
- PyCharm：提升Python开发效率的强大IDE工具
- Numba:无缝将Python代码编译为机器代码的利器(让你的Python程序跑的飞快!Numba高效编译的6大技巧)
- 彻底理解Global Interpreter Lock,解锁Python多线程编程（为什么Python多线程速度这么慢）
- Ruff更新到v0.0.281（Rust 编写的高性能 Python 代码分析工具）
- 8月16日魔珐科技发布了三款超写实3D虚拟人产品掀起AIGC「新工业革命」
- PyPy与CPython扩展库的兼容性问题及优化方案 (揭秘PyPy如何与C扩展无缝衔接,5个兼容性要点让你易如反掌)
本站推荐
