Как создать нормальный дистрибутив в Python PyTorch
В этой статье мы обсудим, как создать нормальное распределение в Pytorch на Python.
факел.нормальный()
Метод torch.normal() используется для создания тензора случайных чисел. Он будет принимать два входных параметра. первый параметр — это среднее значение, а второй параметр — это стандартное отклонение (стандартное отклонение).
Мы можем указать значения среднего и стандартного отклонения напрямую или предоставить тензор элементов. Этот метод возвращает тензор со случайными числами, которые возвращаются на основе среднего значения и стандартного отклонения.
Syntax: torch.normal(mean, std)
Parameters:
- mean is the first parameter which takes tensor as an input.
- std refers to the standard deviation which is the second parameter that takes tensor as an input
Return: This method returns a tensor of random numbers resulted from separate normal distribution whose mean and standard deviation are equal to provided mean and std.
Пример 1. В этом примере мы создаем два тензора по 5 элементов в каждом. один для среднего и второй для стандартного отклонения. Затем мы собираемся создать нормальное распределение из значений среднего и стандартного отклонения (стандартное отклонение).
Python3
# import the torch moduleimport torch# create the mean with 5 valuesmean = torch.tensor([1.0, 2.0, 3.0, 4.0, 5.0])# create the standard deviation with 5 valuesstd = torch.tensor([1.22, 0.78, 0.56, 1.23, 0.23])# create normal distributionprint(torch.normal(mean, std)) |
Выход:
tensor([-0.0367, 1.7494, 2.3784, 4.2227, 5.0095])
Пример 2. В этом примере мы создаем два тензора, каждый из которых содержит только один элемент. один для среднего и второй для стандартного отклонения. Затем мы собираемся создать нормальное распределение из среднего значения и стандартного отклонения (стандартное отклонение).
Python3
# import the torch moduleimport torch# create the mean with single valuemean = torch.tensor(3.4)# create the standard deviation with# single valuestd = torch.tensor(4.2)# create normal distributionprint(torch.normal(mean, std)) |
Выход:
tensor(1.3712)