torch.randn

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

返回一個填充有從均值為 0、方差為 1 的正態分佈（也稱為標準正態分佈）中取樣的隨機數的張量。

$$\text{out}_{i} \sim \mathcal{N}(0, 1)$$

對於複數資料型別，張量是獨立同分布地從均值為零、方差為一的 複數正態分佈 中取樣的，如下所示：

$$\text{out}_{i} \sim \mathcal{CN}(0, 1)$$

這等同於獨立地取樣 $\text{out}_i$ 的實部 $(\operatorname{Re})$ 和虛部 $(\operatorname{Im})$ 如下：

$$\operatorname{Re}(\text{out}_{i}) \sim \mathcal{N}(0, \frac{1}{2}),\quad \operatorname{Im}(\text{out}_{i}) \sim \mathcal{N}(0, \frac{1}{2})$$

張量的形狀由可變引數 size 定義。

引數

size (int...) – 定義輸出張量形狀的整數序列。可以是可變數量的引數，也可以是列表或元組之類的集合。

關鍵字引數

• generator (torch.Generator, optional) – 用於取樣的偽隨機數生成器

• out (Tensor, optional) – 輸出張量。

• dtype (torch.dtype, optional) – 返回張量的期望資料型別。預設值：如果 None，則使用全域性預設值（參見 torch.set_default_dtype()）。

• layout (torch.layout, 可選) – 返回張量的所需佈局。預設：torch.strided。

• device (torch.device, 可選) – 返回張量的所需裝置。預設：如果為 None，則使用當前裝置作為預設張量型別（參見 torch.set_default_device()）。對於 CPU 張量型別，device 將是 CPU；對於 CUDA 張量型別，device 將是當前的 CUDA 裝置。

• requires_grad (bool, optional) – 如果 autograd 應記錄在返回的張量上的操作。預設值：False。

• pin_memory (bool, optional) – 如果設定為 True，則返回的張量將被分配到固定記憶體中。僅適用於 CPU 張量。預設值：False。

示例

>>> torch.randn(4)
tensor([-2.1436,  0.9966,  2.3426, -0.6366])
>>> torch.randn(2, 3)
tensor([[ 1.5954,  2.8929, -1.0923],
        [ 1.1719, -0.4709, -0.1996]])