在机器学习以及神经网络领域，人们经常借助Numpy库中的随机函数来生成随机数，例如，用于随机设定神经网络参数权重W。需要注意的是，W的初始化不能全为零，否则会导致对称破缺问题，进而使得隐藏层中配置多个神经元变得毫无意义。
在Numpy库中，我们经常运用np.random.rand()、np.random.randn()以及np.random.randint()这三个随机生成函数。这些函数各自有着不同的特点：，
（1）np.random.randn()函数
语法：
np.random.randn(d0,d1,d2……dn)
1)当函数括号内没有参数时，则返回一个浮点数；
若函数内部仅含有一个参数，则输出的结果将是一个秩为1的数组，这样的数组无法用来表示向量或矩阵。
若函数的括号内包含两个或更多参数，它将输出一个对应维度的数组，该数组可以用来表示向量或矩阵。
函数与np.random.randn()功能相近，不过np.random.standard_normal()的调用时需要传入一个元组作为参数。
在使用np.random.randn()函数时，其输入参数通常是整数形式，然而，若输入为浮点数kaiyun全站网页版登录，系统会自动将其直接截断，转换成整数类型。
作用：
通过本函数可以返回一个或一组服从标准正态分布的随机样本值。
特点：
这种正态分布以0作为其均值，1作为其标准差，通常表示为N（0，1）。其对应的正态分布曲线图如下所示kaiyun.ccm，即：
标准正态分布曲线下面积分布规律是：
在-1.96至+1.96的区间内，曲线下方所覆盖的面积达到了0.9500，这表示在此区间内取值的概率为95%。同样地，当取值范围扩大至-2.58至+2.58时，曲线下方的面积增至0.9900，对应的概率则为99%。
因此，使用np.random.randn()函数生成的随机样本，其数值大多集中在-1.96至+1.96这一区间，尽管也有可能产生较大的数值，但这种情况发生的概率相对较低。
用例：
应用场景：
在神经网络构建过程中，权重参数W一般通过特定函数进行设定。然而，有一点必须留意，我们通常会在生成的矩阵上乘以一个较小的数值，例如0.01，这一操作的目的是为了加速梯度下降算法的收敛过程。
W = np.random.randn(2,2)*0.01
（2） np.random.rand()函数
语法：
np.random.rand(d0,d1,d2……dn)
注：使用方法与np.random.randn()函数相同
作用：
本函数能够生成一个或多个在“0至1”区间内均匀分布的随机数值样本。这些样本的数值区间为，。
0,1)，不包括1。
在深度学习的Dropout正则化技术里，我们能够用来构造dropout随机向量（简称dl），比如通过设定保留神经元的比例（以keep_prob表示）：该向量dl的计算公式为np.random.rand(al.shape,al.shape)。< keep_prob
用例：
（3） np.random.randint()函数
语法：
输入：
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。
返回值：
返回随机整数或整型数组，范围区间为
low,high），包含low，不包含high；
high没有填写时云开·全站体育app登录，默认生成随机数的范围是
0，low）
用例：
