python - 什么时候使用numpy.random.randn(…)？什么时候使用numpy.random.rand(…)？

在我的深度学习练习中，我必须初始化一个与A1大小相同的参数D1，所以我要做的是：D1 = np.random.randn(A1.shape[0],A1.shape[1])但是在计算了进一步的方程式后，当我检查结果不匹配时，在正确阅读文档之后，我发现他们说要使用rand而不是randn来初始化D1。D1 = np.random.rand(A1.shape[0],A1.shape[1])但是他们没有指定原因，因为代码在两种情况下都有效，并且有一个练习的文档，所以我找出了错误，但是如何，何时以及为什么从这两种情况中进行选择？ 最佳答案 rand和randn之间的区别是（字母n除外），rand返回在间隔[0,1）内从uniform distribution采样的随机数，而randn则从的平均值为0，方差为1。换句话说，由rand产生的随机数的分布如下所示：normal (a.k.a. Gaussian) distribution在均匀分布中，所有随机值都被限制在特定间隔内，并在该间隔内均匀分布。如果使用rand生成10000个随机数，则会发现其中约1000个介于0和0.1之间，大约1000个介于0.1和0.2之间，大约1000个介于0.2和0.3之间，依此类推上。所有这些都将在0到1之间-您将永远不会超出该范围。同时，randn的分布如下所示：均匀分布和正态分布之间的第一个明显区别是，正态分布没有上限或下限-如果使用randn生成足够的随机数，最终将得到一个任意大或小的数字（那么，受制于用于存储数字的浮点格式的限制，无论如何）。但是您将获得的大多数数字仍将非常接近零，因为正态分布并不平坦：randn的输出很有可能落在0到0.1之间，而不是0.9到1之间。 ，而对于rand这两种可能性都是一样的。实际上，如图所示，所有randn输出中约68％处于-1和+1之间，而95％处于-2和+2之间，而约99.7％处于-3和+3之间。这些是完全不同的概率分布。如果将一个切换为另一个，则几乎肯定会中断。如果代码不仅崩溃，几乎肯定会得到不正确和/或荒谬的结果。关于python - 什么时候使用numpy.random.randn(…)？什么时候使用numpy.random.rand(…)？，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/57863277/