tf.random

一、概述

tf的公共API。随机名称空间。

1、模块

• experimental 模块:用于tf.random的公共API。实验名称空间。

2、函数

• all_candidate_sampler(...): 生成所有类的集合。
• categorical(...): 从分类分布中抽取样本。
• fixed_unigram_candidate_sampler(...): 使用提供的(固定的)基本分布对一组类进行示例。
• gamma(...): 从每个给定的伽马分布中绘制形状样本。
• learned_unigram_candidate_sampler(...): 从训练期间学到的分布中抽取一组类作为样本。
• log_uniform_candidate_sampler(...): 使用log_uniform (Zipfian)基分布对一组类进行示例。
• normal(...): 从正态分布中输出随机值。
• poisson(...): 从每个给定的泊松分布中提取形状样本。
• set_seed(...): 设置图形级随机种子。
• shuffle(...): 随机打乱张量的第一个维度。
• stateless_categorical(...): 从分类分布中提取确定性伪随机样本。
• stateless_normal(...): 从正态分布输出确定的伪随机值。
• stateless_truncated_normal(...): 输出确定性伪随机值，截断正态分布。
• stateless_uniform(...): 从均匀分布中输出确定的伪随机值。
• truncated_normal(...): 从截断的正态分布中输出随机值。
• uniform(...): 从均匀分布中输出随机值。
• uniform_candidate_sampler(...): 使用统一的基分布对一组类进行采样。

二、重要的函数

1、tf.random.multinomial

从多项分布中抽取样本。(弃用)

tf.random.multinomial(
    logits,
    num_samples,
    seed=None,
    name=None,
    output_dtype=None
)

例：

# samples has shape [1, 5], where each value is either 0 or 1 with equal
# probability.
samples = tf.random.categorical(tf.math.log([[10., 10.]]), 5)

参数：

• logits:带形状的二维张量[batch_size, num_classes]。每个切片[i，:]表示所有类的非标准化log- probability。
• num_samples: 0-D。为每个行切片绘制独立样本的数量。
• seed:一个Python整数。用于为分布创建随机种子。有关行为，请参见tf.compat.v1.set_random_seed。
• name:操作的可选名称。
• output_dtype:用于输出的整数类型。默认为int64。

返回值：

• 绘制的形状样本[batch_size, num_samples]。