【Pytorch函数】PyTorch随机数生成全解析 | torch.rand()家族函数使用指南

PyTorch随机数生成全解析 | torch.rand()家族函数使用指南

---

一、核心函数参数详解

PyTorch提供多种随机数生成函数（注意：无直接torch.random()函数），以下是常用函数及参数：

1️⃣ torch.rand() - 均匀分布

torch.rand(*size, *, generator=None, dtype=None, device=None, requires_grad=False)

• size：张量维度（必选），如(2,3)
• dtype：数据类型，默认torch.float32
• device：CPU/GPU设备
• requires_grad：是否启用梯度跟踪

2️⃣ torch.randint() - 整数随机

torch.randint(low, high, size, *, dtype=torch.int64, device=None)

• low：最小值（包含）
• high：最大值（不包含）
• size：输出形状

3️⃣ torch.randn() - 标准正态分布

torch.randn(*size, *, dtype=None, device=None, requires_grad=False)

---

️ 二、实战代码示例

示例1：基础用法

# 生成3x3均匀分布矩阵
uniform_tensor = torch.rand(3, 3)
print("均匀分布:\n", uniform_tensor)

# 生成1-100的随机整数（形状2x2）
int_tensor = torch.randint(1, 100, (2,2))
print("\n随机整数:\n", int_tensor)

# 生成标准正态分布数据
normal_tensor = torch.randn(2, 3)
print("\n正态分布:\n", normal_tensor)

示例2：高级控制

# 指定设备和数据类型
cuda_tensor = torch.rand(3, device='cuda', dtype=torch.float16)

# 生成不重复随机排列
perm = torch.randperm(10)  # 0-9的随机排列

# 带梯度追踪的随机数
grad_tensor = torch.rand(2, requires_grad=True)

---

⚠️ 三、关键注意事项

1. 种子控制

   torch.manual_seed(42)  # 确保结果可复现
   

   • 在训练前固定种子保证实验可重复性

2. 设备一致性

   • 混合设备可能导致错误：

   # 错误示范：CPU与GPU数据运算
   cpu_tensor = torch.rand(3)
   gpu_tensor = torch.rand(3).cuda()
   result = cpu_tensor + gpu_tensor  # 报错！
   

3. 梯度陷阱

   • 默认不追踪梯度，需显式设置requires_grad=True

4. 分布特性

   函数	分布范围	常用场景
   rand()	[0,1)均匀分布	权重初始化
   randn()	均值0方差1正态分布	深度学习参数初始化
   randint()	离散整数	数据采样

5. 性能优化

   • 批量生成比循环生成效率高10倍以上：

   # 推荐做法
   batch_data = torch.rand(1000, 256) 
   
   # 避免做法
   slow_data = [torch.rand(256) for _ in range(1000)]
   

---

四、特殊场景处理技巧

1. 安全随机范围控制

# 生成不含0的安全数据
safe_tensor = torch.rand(5) + 1e-6  # 防止除零错误

2. 正态分布参数调整

# 生成均值=5，方差=3的正态分布
custom_normal = 5 + torch.randn(10) * 3**0.5

3. 随机掩码生成

# 生成50%概率的布尔掩码
mask = torch.rand(10) > 0.5

---

通过掌握这些技巧，你将能精准控制PyTorch随机数生成，为模型训练和实验提供可靠基础！