Numpy.random.seed() 设置seed（）里的数字就相当于设置了一个盛有随机数的“聚宝盆”，一个数字代表一个“聚宝盆”，当我们在seed（）的括号里设置相同的seed，“聚宝盆”就是一样的...为什么会不一样，我不是已经设置了seed没变么？...其实，第二遍的np.random.rand（10）已经不是在你设置的np.random.seed（0）下了，所以第二遍的随机数组只是在默认random下随机挑选的样本数值。...那我们该怎么让两次随机数组一样呢？...(4) Out[400]: array([0.86630916, 0.25045537, 0.48303426, 0.98555979]) 这是因为np.random.rand（）在默认状态下，是从默认随机数组里挑出的随机样本
# 创建一个单精度浮点数组 m3 = np.arange(7, dtype='f') print(m3) # 创建复数数组 m4 = np.arange(7, dtype='D') print(m4)...如果是一个整数值，表示一个一维数组的长度；如果是元组，一个元素值可以为-1，此时该元素值表示为指定，此时会从数组的长度和剩余的维度中推断出 order: 可选（忽略） a = np.arange(15)...a的维度的大小: (15,) b的维度的大小: (3, 5) c的维度的大小: (2, 2, 3) """ 对于一维数组：有疑问的是为什么不是（1，15），因为a.ndim维度为1，元组内只返回一个数...， 生成随机数据 np.random.rand(d0,d1,.......,dn)：返回随机样本位于[0,1)之间 np.random.rand() # 返回0~1中的一个随机值 np.random.rand(3, 2)# 返回3行4列的元素值在0~1随机矩阵 """ 运行结果
blobs 一般包含一个 tensor(可以看做是多维数组)，在 Python 中的存在形式是 numpy arrays. Workspace 存储所有的 blobs....Workspaces 在开始使用时会自动初始化. from caffe2.python import workspace, model_helper import numpy as np # Create...将待创建的网络记为 “my first net”，ModelHelper 会另外创建两个相互关联的 nets： 一个是，参数初始化网络(记 init_net) 一个是，真实训练网络(记 exec_net...) 首先，随机生成 data 和label，并作为 blobs 输入到 workspace： # Create the input data data = np.random.rand(16, 100)...这里 FC op 需要先生成一些随机 fills. 生成随机 fills 后，即可将 fc ops 添加到模型，并使用创建的 weights 和 bias blobs，可以根据其名字进行调用.
多个figure 可以简单的理解为一个figure就是一个图形窗口。matplotlib.pyplot会有一个默认的figure，我们也可以通过plt.figure()创建更多个。...但它们的含义是不一样的，直方图描述了数据中某个范围内数据出现的频度。...3000个随机数，这些随机数的范围是 [0, 3000) 第二个数组包含了4000个随机数，这些随机数的范围是 [0, 4000) 第三个数组包含了5000个随机数，这些随机数的范围是 [0, 5000...) bins数组用来指定我们显示的直方图的边界，即：[0, 100) 会有一个数据点，[100, 500)会有一个数据点，以此类推。...这与我们的随机数组数据刚好吻合。
点积 (Dot Product) 两个数组 (向量) 之间的点积可以简单理解为，将第一个数组的每个元素乘以第二个数组的对应元素，并将它们全部加在一起。...根据结果的正负值决定是向左还是向右推动推车。这听起来可能有点抽象，下面就通过一个具体的例子，来看看整个过程将发生什么。...这里使用 numpy 来随机生成一些的策略，这些策略都是4维数组或1x4矩阵，即选择4个0到1之间的数字作为游戏的策略，如下所示。...首先创建一个名为 max 的元组，它将存储游戏过程所出现的最佳策略得分、观测和策略数组，如下所示。 max = (0, [], []) 接下来将生成并评估10个策略，并将得分最大值的策略保存。...回想前面制定策略时，首先只是在0到1范围内随机创建了策略数组，这恰好是有效的。但如果这里智能体翻转大于运算符所设定的那样，那么可能将看到灾难性的失败结果。
点积 (dot product) 两个数组 (向量) 之间的点积可以简单理解为，将第一个数组的每个元素乘以第二个数组的对应元素，并将它们全部加在一起。...根据结果的正负值决定是向左还是向右推动推车。这听起来可能有点抽象，下面就通过一个具体的例子，来看看整个过程将发生什么。...这里使用 numpy 来随机生成一些的策略，这些策略都是4维数组或1x4矩阵，即选择4个0到1之间的数字作为游戏的策略，如下所示。...首先创建一个名为 max 的元组，它将存储游戏过程所出现的最佳策略得分、观测和策略数组，如下所示。 max = (0, [], []) 接下来将生成并评估10个策略，并将得分最大值的策略保存。...回想前面制定策略时，首先只是在0到1范围内随机创建了策略数组，这恰好是有效的。但如果这里智能体翻转大于运算符所设定的那样，那么可能将看到灾难性的失败结果。
学习率是最重要的需要调节的参数 级别二: Momentum 参数 0.9 是个很好的默认值 mini-batch size,以确保最优算法运行有效 隐藏单元数量 级别三: 层数 , 层数有时会产生很大的影响...实际中,你会在一个更高维的空间中寻找超参数,随机取值,代表了你探究了更多超参数的潜在值....例如如果你有三个参数,你搜索的不是一个平面,而是一个立方体.超参数三代表第三维,接着在这个三维空间中取值,你会试验大量的更多的值. solution2 粗糙到精确取值 另一个惯例是采用有粗糙到精细的策略...超参数学习率 假设你要搜索的学习率的范围在 0.0001 ~ 1 的范围中 如果使用随机均匀取值(即数字出现在 0.0001 ~ 1 的范围内的概率相等,出现概率均匀) 那么使用上述方法,90%的数值会落在...使 r=-4*np.random.rand()[np.random.rand()创建一个给定类型和形状的数组,将其填充到一个均匀分布的随机样本[0,1)中] 随机取值 ,从第一行可以得出
这里简单普及一下常用的Anaconda命令(虽然我也不经常用)。...均匀分布和正态分布 以均匀分布和正态分布的方式生成随机数 # numpy.random.rand() 生成一个0-1的随机浮点数或N维浮点数 --均匀分布 a = np.random.rand() b...0-1的随机浮点数或N维浮点数 --均匀分布 data1 = np.random.rand(500) data2 = np.random.rand(500) #正态分布 # numpy.random.randn...请按照要求创建数组ar，再将ar[:2,:2]的值改为[0,1)的随机数 ?...按照要求创建数组，通过索引，其ar[4]、ar[:2,3:]、ar[3][2]分别是多少 ? 按照要求创建数组，筛选出元素值大于5的值并生成新的数组 ?
数组排序操作 2.5.3 数组转置 2.5.4 随机数生成 1. numpy的random库 第3章 pandas基础 3.1 series 3.1.1 创建series对象 3.1.2 Series...2, 3], [4, 5, 6]]) print(array_2d) 创建其它数组 numpy中使用zeros()、ones()、empty()函数创建一个基于指定数值的数组...，其中zeros()函数用于创建一个元素值都为0的数组；ones()函数用于创建一个元素值都为1的数组；empty()函数用于创建一个元素值都为随机数的数组。...2.5.3 数组转置 熟悉数组的转置，可以通过T属性、transpose()方法、swapaxes()方法实现数组转置操作 2.5.4 随机数生成 1. numpy的random库 python里随机数生成主要有两种方式...使用[]访问数据 变量[索引] 需要说明的是，若变量的值是一个Series类对象，则会根据索引获取该对象中对应的单个数据；若变量的值是一个DataFrame类对象，在使用“[索引]”访问数据时会将索引视为列索引
可以通过下面的方法创建多个图形： 多个figure 可以简单的理解为一个figure就是一个图形窗口。...matplotlib.pyplot会有一个默认的figure，我们也可以通过plt.figure()创建更多个。...这段代码说明如下： plot函数的第一个数组是横轴的值，第二个数组是纵轴的值，所以它们一个是直线，一个是折线； 最后一个参数是由两个字符构成的，分别是线条的样式和颜色。...，这其中： 第一个数组包含了3000个随机数，这些随机数的范围是 [0, 3000) 第二个数组包含了4000个随机数，这些随机数的范围是 [0, 4000) 第三个数组包含了5000个随机数，这些随机数的范围是...这与我们的随机数组数据刚好吻合。
full_like 和这两个完全一样，除了你可以创建一个与另一个矩阵具有相同形状的矩阵但是这些矩阵是使用自定义值填充的。...np.logspace 我相信你经常使用linspace。它可以在一个区间内创建自定义的线性间隔数据点数量。它的同类logspace在这方面做得更深入一些。它可以在对数尺度上生成均匀间隔的自定义点数。...np.where 顾名思义，这个函数返回一个条件为True的数组的所有下标: probs = np.random.rand(100) idx = np.where(probs > 0.8) >>>...(array1 == array2) False 因为我们创建了两个随机数的数组，所以不可能每个元素都相等。...但是计算机和 NumPy 不理解无穷大的概念（好吧，我也不知道是为什么）。它们只能将无穷大表示为一个非常大或非常小的数字，这样才可以放入一个变量中（我希望我说得对）。
博客 线性回归公式 （1）基本公式 在这个公式中，y是预测值，a是参数，x是特征值，模型的学习目标就是拟合合适的a值，来预测y （2）公式向量化 y = a·x 这里的a和x都是一组包含多个值的向量，为什么要这样做呢...生成数据 我们先随机产生一些数据，并把它们绘制出来 import matplotlib.pyplot as plt import numpy as np np.random.seed(42) #...设置随机数种子，以便结果复现 x = np.random.rand(100, 1) # 产生100个0-1的数据x y = 2*x+np.random.rand(100, 1) # 与x有线性关系并加上误差的...1)创建了一个二维数组，里面有100个一维数据，数据类型大概为[[x1], [x2], [x3], [x4]......]...，这样是方便我们之后的训练（机器学习库对样本格式有要求，不符合会报错），对于这个维度，我的理解是这样的，最外围代表训练数据这个整体，里面的每一个框代表一轮训练数据，框里的数字个数则代表数据特征个数，还有不懂的可以私信问我
(3) print(一维) print('-'*30) 二维 = np.random.rand(2,3) print(二维) print('-'*30) 三维 = np.random.rand(2,3,4...) print(三维) 我们数据分析的三部曲：Numpy、Pandas、matplotlib，后期我们在使用matplotlib画图时会用到均匀分布 import numpy as np import...import numpy as np # 第一参数是一个1维数组，如果只有一个数字那就看成range(5) # 第二参数是维度和元素个数，一个数字是1维，数字是几就是几个元素 a = np.random.choice...)) print(f'从[1,2,9,4,8,6,7,5]数组中拿随机数，生成2行3列的数组是：\n{d}') shuffle(数组)把一个数进行随机排列 import numpy as np 一维数组...(数组) 把一个数组随机排列或者数字全排列 import numpy as np # 与上面讲的np.random.shuffle(一维数组)效果一样,就是把一维数组重新排序了 排列 = np.random.permutation
[ 0.18205926, 0.99637823]]]) 0x02 numpy.random.randn() numpy.random.randn(d0,d1,…,dn) randn函数返回一个或一组样本...,high），包含low，不包含high 参数：low为最小值，high为最大值，size为数组维度大小，dtype为数据类型，默认的数据类型是np.int high没有填写时，默认生成随机数的范围是[...0.12607092]] 0x05 numpy.random.choice() numpy.random.choice(a, size=None, replace=True, p=None) 从给定的一维数组中生成随机数...参数： a为一维数组类似数据或整数；size为数组维度；p为数组中的数据出现的概率 a为整数时，对应的一维数组为np.arange(a) np.random.choice(5,3) array([4,...如果不设置seed，则每次会生成不同的随机数 np.random.seed(0) np.random.rand(5) array([ 0.5488135 , 0.71518937, 0.60276338
full_like 和这两个完全一样，除了你可以创建一个与另一个矩阵具有相同形状的矩阵但是这些矩阵是使用自定义值填充的。...np.logspace 我相信你经常使用linspace。它可以在一个区间内创建自定义的线性间隔数据点数量。它的同类logspace在这方面做得更深入一些。它可以在对数尺度上生成均匀间隔的自定义点数。...np.where 顾名思义，这个函数返回一个条件为True的数组的所有下标: probs = np.random.rand(100) idx = np.where(probs > 0.8) probs...(array1 == array2) False 因为我们创建了两个随机数的数组，所以不可能每个元素都相等。...但是计算机和 NumPy 不理解无穷大的概念（好吧，我也不知道是为什么）。它们只能将无穷大表示为一个非常大或非常小的数字，这样才可以放入一个变量中（我希望我说得对）。
今天我想展示如何使用50行Python代码教一台机器来平衡杆！我们将使用标准的OpenAI Gym作为我们的测试环境，并只使用numpy创建我们的智能体。...状态数组是[0,0,0.2,0.05]。 现在，我们要把小车推向右边，让杆立起来。我从我的一次训练中得到了一个很好的策略，其策略数据如下：[ – 0.116,0.332,0.207 0.352]。...在这里，我们计算状态数组和策略数组的点积。如果数字是正数，我们将小车向右推，如果数字是负数，我们向左推。 ? 结果是正数，这意味着策略会在这种情况下推动小车向右，这是我们希望它出现的表现。...policy= np.random.rand(1,4) 有了这个策略以及我们上面创建的环境，我们可以将它们插入游戏并获得分数。...首先，我们只是在0到1的范围内随机创建了策略数组。这碰巧可行，但是如果我们翻转运算符号（大于号改成小于号），我们将看到智能体将失败相当灾难性。
pandas.core.frame.DataFrame； 生成一个随机数数组； 将这个随机数数组与 DataFrame 中的数据列合并成一个新的 NumPy 数组。...在本段代码中，numpy 用于生成随机数数组和执行数组操作，pandas 用于创建和操作 DataFrame。...data = {'label': [1, 2, 3, 4]} df = pd.DataFrame(data) 这两行代码创建了一个包含单列数据的 DataFrame。...random_array = np.random.rand(4, 2) 此行代码使用 numpy 库生成一个形状为 4x2（即 4 行 2 列）的随机数数组。...结果是一个新的 NumPy 数组 arr，它将原始 DataFrame 中 “label” 列的值作为最后一列附加到了随机数数组之后。
# 来源：NumPy Essentials ch2 数组索引和切片 # 创建 100x100 个 0~1 随机数 x = np.random.random((100, 100)) # 取第 42...Python 列表创建 NumPy 数组 x = np.array([1, 2, 3]) y = np.array(['hello', 'world']) # 但有时我们想创建范围内的数值数组 x...[1, 2, 3],[4, 5, 6]]) x.ndim # 2 x.shape # (2, 3) # rand 创建指定形状的数组，元素为 0~1 的随机数 x = np.random.rand...(x) [ 6 9 10 7 9 5 8 8 9 3] # 还有一些其它的创建函数 # zeros(size) 和 ones(size) 创建指定形状的全零或全一数组 # eye(...n) 创建 n 维单位矩阵 # full(size, n) 创建指定形状的纯量数组，所有元素都为 n 数据类型 x = np.random.random((10,10)) # dtype 属性是数据类型
比如： import torch import tensorflow as tf # 创建采样(2, 2)的标准正太分布的张量 a = torch.randn(2, 3) # 创建采样自[0, 10...，为了方便我将这些随机函数分成两个部分： 用于产生固定区间范围的随机数，称为基本随机数； 用于按照某些分布概率统计规则来产生的随机数，称为分布随机数； 01 基本随机数 random.rand(d0,...a = np.random.rand() # d0 = 2, 产生[0, 1)范围内的一维数组（向量）的浮点随机数 b = np.random.rand(2) # d0 = 2, d1 = 3,...产生[0, 1)范围内的二维数组（矩阵）的浮点随机数 c = np.random.rand(2,3) print(a) print(b) print(c) 0.575695284381402 [0.50852146...random_sample函数用于产生[0, 1)范围的浮点随机数，其中参数size为产生数组的大小，如果不指定则会产生一个随机数。
领取专属 10元无门槛券
手把手带您无忧上云
云服务器
ICP备案
实时音视频
即时通信 IM
对象存储
