python tf.random_uniform與np.random_uniform有什么區(qū)別

首先應(yīng)該是np.random.uniform

創(chuàng)新互聯(lián)公司專注于黎平網(wǎng)站建設(shè)服務(wù)及定制，我們擁有豐富的企業(yè)做網(wǎng)站經(jīng)驗(yàn)。 熱誠為您提供黎平營銷型網(wǎng)站建設(shè)，黎平網(wǎng)站制作、黎平網(wǎng)頁設(shè)計(jì)、黎平網(wǎng)站官網(wǎng)定制、重慶小程序開發(fā)服務(wù)，打造黎平網(wǎng)絡(luò)公司原創(chuàng)品牌,更為您提供黎平網(wǎng)站排名全網(wǎng)營銷落地服務(wù)。

這兩個(gè)回答多少有點(diǎn)大病

兩者雖然函數(shù)名相同，但屬于不同的庫，一個(gè)是TensorFlow的，一個(gè)是numpy的。

就好比你家也有冰箱我家也有冰箱一樣。

tf.random.uniform的屬性變量包括：

shape: 輸出張量的形狀，比如矩陣或者向量的維度

mean: 正態(tài)分布的均值，默認(rèn)為0

stddev: 正態(tài)分布的標(biāo)準(zhǔn)差，默認(rèn)為1.0

dtype: 輸出的類型，默認(rèn)為tf.float32

seed: 隨機(jī)數(shù)種子，是一個(gè)整數(shù)，當(dāng)設(shè)置之后，每次生成的隨機(jī)數(shù)都一樣

name: 操作的名稱

np.random.uniform的屬性變量包括：

low: 采樣下界，float類型，默認(rèn)值為0

high: 采樣上界，float類型，默認(rèn)值為1

size: 輸出樣本數(shù)目，為int或元組(tuple)類型

tensorflow是生成均勻分布，而numpy則是在分布中做隨機(jī)采樣

如何在Python中實(shí)現(xiàn)這五類強(qiáng)大的概率分布

R編程語言已經(jīng)成為統(tǒng)計(jì)分析中的事實(shí)標(biāo)準(zhǔn)。但在這篇文章中，我將告訴你在Python中實(shí)現(xiàn)統(tǒng)計(jì)學(xué)概念會(huì)是如此容易。我要使用Python實(shí)現(xiàn)一些離散和連續(xù)的概率分布。雖然我不會(huì)討論這些分布的數(shù)學(xué)細(xì)節(jié)，但我會(huì)以鏈接的方式給你一些學(xué)習(xí)這些統(tǒng)計(jì)學(xué)概念的好資料。在討論這些概率分布之前，我想簡單說說什么是隨機(jī)變量（random variable）。隨機(jī)變量是對(duì)一次試驗(yàn)結(jié)果的量化。

舉個(gè)例子，一個(gè)表示拋硬幣結(jié)果的隨機(jī)變量可以表示成

Python

1

2

X = {1 如果正面朝上,

2 如果反面朝上}

隨機(jī)變量是一個(gè)變量，它取值于一組可能的值（離散或連續(xù)的），并服從某種隨機(jī)性。隨機(jī)變量的每個(gè)可能取值的都與一個(gè)概率相關(guān)聯(lián)。隨機(jī)變量的所有可能取值和與之相關(guān)聯(lián)的概率就被稱為概率分布（probability distributrion）。

我鼓勵(lì)大家仔細(xì)研究一下scipy.stats模塊。

概率分布有兩種類型：離散（discrete）概率分布和連續(xù)（continuous）概率分布。

離散概率分布也稱為概率質(zhì)量函數(shù)（probability mass function）。離散概率分布的例子有伯努利分布（Bernoulli distribution）、二項(xiàng)分布（binomial distribution）、泊松分布（Poisson distribution）和幾何分布（geometric distribution）等。

連續(xù)概率分布也稱為概率密度函數(shù)（probability density function），它們是具有連續(xù)取值（例如一條實(shí)線上的值）的函數(shù)。正態(tài)分布（normal distribution）、指數(shù)分布（exponential distribution）和β分布（beta distribution）等都屬于連續(xù)概率分布。

若想了解更多關(guān)于離散和連續(xù)隨機(jī)變量的知識(shí)，你可以觀看可汗學(xué)院關(guān)于概率分布的視頻。

二項(xiàng)分布（Binomial Distribution）

服從二項(xiàng)分布的隨機(jī)變量X表示在n個(gè)獨(dú)立的是/非試驗(yàn)中成功的次數(shù)，其中每次試驗(yàn)的成功概率為p。

E(X) = np, Var(X) = np(1?p)

如果你想知道每個(gè)函數(shù)的原理，你可以在IPython筆記本中使用help file命令。 E(X)表示分布的期望或平均值。

鍵入stats.binom?了解二項(xiàng)分布函數(shù)binom的更多信息。

二項(xiàng)分布的例子：拋擲10次硬幣，恰好兩次正面朝上的概率是多少？

假設(shè)在該試驗(yàn)中正面朝上的概率為0.3，這意味著平均來說，我們可以期待有3次是硬幣正面朝上的。我定義擲硬幣的所有可能結(jié)果為k = np.arange(0,11)：你可能觀測到0次正面朝上、1次正面朝上，一直到10次正面朝上。我使用stats.binom.pmf計(jì)算每次觀測的概率質(zhì)量函數(shù)。它返回一個(gè)含有11個(gè)元素的列表（list），這些元素表示與每個(gè)觀測相關(guān)聯(lián)的概率值。

您可以使用.rvs函數(shù)模擬一個(gè)二項(xiàng)隨機(jī)變量，其中參數(shù)size指定你要進(jìn)行模擬的次數(shù)。我讓Python返回10000個(gè)參數(shù)為n和p的二項(xiàng)式隨機(jī)變量。我將輸出這些隨機(jī)變量的平均值和標(biāo)準(zhǔn)差，然后畫出所有的隨機(jī)變量的直方圖。

泊松分布（Poisson Distribution）

一個(gè)服從泊松分布的隨機(jī)變量X，表示在具有比率參數(shù)（rate parameter）λ的一段固定時(shí)間間隔內(nèi)，事件發(fā)生的次數(shù)。參數(shù)λ告訴你該事件發(fā)生的比率。隨機(jī)變量X的平均值和方差都是λ。

E(X) = λ, Var(X) = λ

泊松分布的例子：已知某路口發(fā)生事故的比率是每天2次，那么在此處一天內(nèi)發(fā)生4次事故的概率是多少？

讓我們考慮這個(gè)平均每天發(fā)生2起事故的例子。泊松分布的實(shí)現(xiàn)和二項(xiàng)分布有些類似，在泊松分布中我們需要指定比率參數(shù)。泊松分布的輸出是一個(gè)數(shù)列，包含了發(fā)生0次、1次、2次，直到10次事故的概率。我用結(jié)果生成了以下圖片。

你可以看到，事故次數(shù)的峰值在均值附近。平均來說，你可以預(yù)計(jì)事件發(fā)生的次數(shù)為λ。嘗試不同的λ和n的值，然后看看分布的形狀是怎么變化的。

現(xiàn)在我來模擬1000個(gè)服從泊松分布的隨機(jī)變量。

正態(tài)分布（Normal Distribution）

正態(tài)分布是一種連續(xù)分布，其函數(shù)可以在實(shí)線上的任何地方取值。正態(tài)分布由兩個(gè)參數(shù)描述：分布的平均值μ和方差σ2 。

E(X) = μ, Var(X) = σ2

正態(tài)分布的取值可以從負(fù)無窮到正無窮。你可以注意到，我用stats.norm.pdf得到正態(tài)分布的概率密度函數(shù)。

β分布（Beta Distribution）

β分布是一個(gè)取值在 [0, 1] 之間的連續(xù)分布，它由兩個(gè)形態(tài)參數(shù)α和β的取值所刻畫。

β分布的形狀取決于α和β的值。貝葉斯分析中大量使用了β分布。

當(dāng)你將參數(shù)α和β都設(shè)置為1時(shí)，該分布又被稱為均勻分布（uniform distribution）。嘗試不同的α和β取值，看看分布的形狀是如何變化的。

指數(shù)分布（Exponential Distribution）

指數(shù)分布是一種連續(xù)概率分布，用于表示獨(dú)立隨機(jī)事件發(fā)生的時(shí)間間隔。比如旅客進(jìn)入機(jī)場的時(shí)間間隔、打進(jìn)客服中心電話的時(shí)間間隔、中文維基百科新條目出現(xiàn)的時(shí)間間隔等等。

我將參數(shù)λ設(shè)置為0.5，并將x的取值范圍設(shè)置為 $[0, 15]$ 。

接著，我在指數(shù)分布下模擬1000個(gè)隨機(jī)變量。scale參數(shù)表示λ的倒數(shù)。函數(shù)np.std中，參數(shù)ddof等于標(biāo)準(zhǔn)偏差除以 $n-1$ 的值。

結(jié)語（Conclusion）

概率分布就像蓋房子的藍(lán)圖，而隨機(jī)變量是對(duì)試驗(yàn)事件的總結(jié)。我建議你去看看哈佛大學(xué)數(shù)據(jù)科學(xué)課程的講座，Joe Blitzstein教授給了一份摘要，包含了你所需要了解的關(guān)于統(tǒng)計(jì)模型和分布的全部。

使用Python構(gòu)造經(jīng)驗(yàn)累積分布函數(shù)（ECDF）

對(duì)于一個(gè)樣本序列 ，經(jīng)驗(yàn)累積分布函數(shù) (Empirical Cumulative Distribution Function)可被定義為

其中 是一個(gè)指示函數(shù)，如果 ，指示函數(shù)取值為1，否則取值為0，因此 能反映在樣本中小于 的元素?cái)?shù)量占比。

根據(jù)格利文科定理（Glivenko–Cantelli Theorem），如果一個(gè)樣本滿足獨(dú)立同分布(IID)，那么其經(jīng)驗(yàn)累積分布函數(shù) 會(huì)趨近于真實(shí)的累積分布函數(shù) 。

首先定義一個(gè)類，命名為ECDF：

我們采用均勻分布（Uniform）進(jìn)行驗(yàn)證，導(dǎo)入 uniform 包，然后進(jìn)行兩輪抽樣，第一輪抽取10次，第二輪抽取1000次，比較輸出的結(jié)果。

輸出結(jié)果為：

而我們知道，在真實(shí)的0到1均勻分布中， 時(shí)， ，從模擬結(jié)果可以看出，樣本量越大，最終的經(jīng)驗(yàn)累積分布函數(shù)值也越接近于真實(shí)的累積分布函數(shù)值，因此格利文科定理得以證明。

Python基礎(chǔ) numpy中的常見函數(shù)有哪些

有些Python小白對(duì)numpy中的常見函數(shù)不太了解，今天小編就整理出來分享給大家。

Numpy是Python的一個(gè)科學(xué)計(jì)算的庫，提供了矩陣運(yùn)算的功能，其一般與Scipy、matplotlib一起使用。其實(shí)，list已經(jīng)提供了類似于矩陣的表示形式，不過numpy為我們提供了更多的函數(shù)。

數(shù)組常用函數(shù)

1.where()按條件返回?cái)?shù)組的索引值

2.take(a,index)從數(shù)組a中按照索引index取值

3.linspace(a,b,N)返回一個(gè)在(a,b)范圍內(nèi)均勻分布的數(shù)組，元素個(gè)數(shù)為N個(gè)

4.a.fill()將數(shù)組的所有元素以指定的值填充

5.diff(a)返回?cái)?shù)組a相鄰元素的差值構(gòu)成的數(shù)組

6.sign(a)返回?cái)?shù)組a的每個(gè)元素的正負(fù)符號(hào)

7.piecewise(a,[condlist],[funclist])數(shù)組a根據(jù)布爾型條件condlist返回對(duì)應(yīng)元素結(jié)果

8.a.argmax(),a.argmin()返回a最大、最小元素的索引

改變數(shù)組維度

a.ravel(),a.flatten():將數(shù)組a展平成一維數(shù)組

a.shape=(m,n),a.reshape(m,n):將數(shù)組a轉(zhuǎn)換成m*n維數(shù)組

a.transpose,a.T轉(zhuǎn)置數(shù)組a

數(shù)組組合

1.hstack((a,b)),concatenate((a,b),axis=1)將數(shù)組a,b沿水平方向組合

2.vstack((a,b)),concatenate((a,b),axis=0)將數(shù)組a,b沿豎直方向組合

3.row_stack((a,b))將數(shù)組a,b按行方向組合

4.column_stack((a,b))將數(shù)組a,b按列方向組合

數(shù)組分割

1.split(a,n,axis=0),vsplit(a,n)將數(shù)組a沿垂直方向分割成n個(gè)數(shù)組

2.split(a,n,axis=1),hsplit(a,n)將數(shù)組a沿水平方向分割成n個(gè)數(shù)組

數(shù)組修剪和壓縮

1.a.clip(m,n)設(shè)置數(shù)組a的范圍為(m,n),數(shù)組中大于n的元素設(shè)定為n,小于m的元素設(shè)定為m

2.a.compress()返回根據(jù)給定條件篩選后的數(shù)組

數(shù)組屬性

1.a.dtype數(shù)組a的數(shù)據(jù)類型

2.a.shape數(shù)組a的維度

3.a.ndim數(shù)組a的維數(shù)

4.a.size數(shù)組a所含元素的總個(gè)數(shù)

5.a.itemsize數(shù)組a的元素在內(nèi)存中所占的字節(jié)數(shù)

6.a.nbytes整個(gè)數(shù)組a所占的內(nèi)存空間7.a.astype(int)轉(zhuǎn)換a數(shù)組的類型為int型

數(shù)組計(jì)算

1.average(a,weights=v)對(duì)數(shù)組a以權(quán)重v進(jìn)行加權(quán)平均

2.mean(a),max(a),min(a),middle(a),var(a),std(a)數(shù)組a的均值、最大值、最小值、中位數(shù)、方差、標(biāo)準(zhǔn)差

3.a.prod()數(shù)組a的所有元素的乘積

4.a.cumprod()數(shù)組a的元素的累積乘積

5.cov(a,b),corrcoef(a,b)數(shù)組a和b的協(xié)方差、相關(guān)系數(shù)

6.a.diagonal()查看矩陣a對(duì)角線上的元素7.a.trace()計(jì)算矩陣a的跡，即對(duì)角線元素之和

以上就是numpy中的常見函數(shù)。更多Python學(xué)習(xí)推薦:PyThon學(xué)習(xí)網(wǎng)教學(xué)中心。

本文名稱：python均勻分布函數(shù) python產(chǎn)生均勻分布的隨機(jī)數(shù)
網(wǎng)頁鏈接：http://chinadenli.net/article24/hpjjje.html

成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián)，為您提供網(wǎng)站策劃、虛擬主機(jī)、網(wǎng)站導(dǎo)航、品牌網(wǎng)站建設(shè)、建站公司、小程序開發(fā)

廣告

聲明：本網(wǎng)站發(fā)布的內(nèi)容（圖片、視頻和文字）以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主，如果涉及侵權(quán)請(qǐng)盡快告知，我們將會(huì)在第一時(shí)間刪除。文章觀點(diǎn)不代表本網(wǎng)站立場，如需處理請(qǐng)聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載，或轉(zhuǎn)載時(shí)需注明來源： 創(chuàng)新互聯(lián)