什么时候使用numpy.random.randn（…）？什么时候使用numpy.random.rand（…）？

Question

在我的深度学习练习中，我必须初始化一个与A1大小相同的参数D1，所以我要做的是：

D1 = np.random.randn(A1.shape[0],A1.shape[1]) 

但是在计算了进一步的方程后，当我检查结果不匹配时，在正确阅读文档后，我发现他们说用rand而不是randn初始化D1;

D1 = np.random.rand(A1.shape[0],A1.shape[1]) 

但是他们没有指定原因，因为代码在两种情况下都有效，并且有一个练习的文档，所以我找出了错误，但是如何 ， 何时以及为什么从这两种情况中进行选择？

Answer 1

rand和randn之间的区别是（字母n除外）， rand返回在间隔[0,1）上从均匀分布中采样的随机数，而randn则从平均值为0的正态（aka高斯）分布中采样，方差为1。

换句话说， rand产生的随机数的分布如下所示：

在均匀分布中，所有随机值都被限制在特定间隔内，并在该间隔内均匀分布。 如果使用rand生成10000个随机数，则会发现其中大约1000个介于0和0.1之间，大约1000个介于0.1和0.2之间，大约1000个介于0.2和0.3之间，依此类推。 所有这些都将在0到1之间-您将永远不会超出该范围。

同时， randn的分配如下所示：

均匀分布和正态分布之间的第一个明显区别是，正态分布没有上限或下限-如果使用randn生成足够的随机数，最终将得到一个任意大小的（嗯，无论如何，都受用于存储数字的浮点格式的限制）。 但是您将获得的大多数数字仍将非常接近零，因为正态分布并不平坦： randn的输出很有可能落在0到0.1之间，而不是0.9到1之间，而对于rand ，这两种可能性都是一样的。 实际上，如图所示，所有randn输出中约有68％介于-1和+1之间，而95％则介于-2和+2之间，约99.7％介于-3和+3之间。

这些是完全不同的概率分布。 如果将一个切换为另一个，则几乎肯定会中断。 如果代码不只是崩溃，几乎肯定会得到不正确和/或荒谬的结果。