PyTorch随机数生成：torch.rand，torch.randn，torch.randind，torch.rand_like

在用PyTorch做深度学习开发过程中，时常用到随机数生成功能，但经常记不住几个随机数生成函数的用法，现在正好有点时间，整理一下。

1. torch.rand()

torch.rand(*size, *, generator=None, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False, pin_memory=False) → Tensor

该函数可以生成一个范围在[0, 1)之间均匀分布的随机tensor，tensor的形状由size指定。随机数类型默认为torch.float32，也可以通过torch.set_default_tensor_type()指定默认类型，例如：

>>> torch.tensor([1.2, 3]).dtype    # initial default  is torch.float32
torch.float32
>>> torch.set_default_tensor_type(torch.DoubleTensor)
>>> torch.tensor([1.2, 3]).dtype    # a new floating point tensor
torch.float64

Example:

生成一个3x4的tensor:

torch.rand(3,4)

2. torch.randn()

torch.randn(*size, *, generator=None, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False, pin_memory=False) → Tensor

该函数用来生成一个均值为0，方差为1的正态分布tensor，tensor的形状由size指定，默认类型为torch.float32，也可由torch.set_default_tensor_type()指定默认类Example:

Example:

生成一个2x8的正态分布tensor：

torch.randn(2,8)

3. torch.randint()

该函数的定义为：

torch.randint(low=0, high, size, \*, generator=None, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False) → Tensor

利用该函数，生成一个范围在[low, hight)之间的均匀分布随机整数tensor，tensor的形状通过size来定义。该函数默认生成torch.int64类型数据，如果需要生成其他类型，则可以通过dtype指定，例如可以指定dtype=torch.float32。

example:

生成一个大小为5x5的范围在0~10之间的tensor:

torch.randint(0, 10, (5,5))

4. torch.rand_like()

除了以上几种需要指定生成tensor形状的函数之外，还可以根据已知对象的形状来生成新的张量，这就是几个*_like函数的妙用，包括torch.rand_like，torch.randn_like，torch.randint_like。

其中，torch.rand_like的定义如下：

torch.rand_like(input, *, dtype=None, layout=None, device=None, requires_grad=False, memory_format=torch.preserve_format) → Tensor

该函数返回一个与输入对象input相同形状的tensor，该tensor符合[0, 1)之间的均匀分布。该函数与

torch.rand(input.size(),?dtype=input.dtype,?layout=input.layout,?device=input.device)

具有相同的效果。

Example:

已知张量A，生成一个与A同形状的张量B：

A = torch.ones(4,5)
B = torch.rand_like(A)

?

torch.randn_like、torch.randint_like与torch.rand_like用法相似，下面只给出两个函数的定义，不再赘述。

torch.randn_like(input, *, dtype=None, layout=None, device=None, requires_grad=False, memory_format=torch.preserve_format) → Tensor

torch.randint_like(input, low=0, high, \*, dtype=None, layout=torch.strided, device=None, requires_grad=False, memory_format=torch.preserve_format) → Tensor