【TensorFlow基本功】正太分布的使用
2018-08-07 本文已影响0人
安安爸Chris
正态分布(Normal distribution),也称“常态分布”,又名高斯分布(Gaussian distribution)。
正态曲线呈钟型,两头低,中间高,左右对称因其曲线呈钟形,因此人们又经常称之为钟形曲线。
在TF中会大量使用到正态分布,熟练的使用它,也是使用TF的基本功之一。下面来看一下在Python中如何使用。
一维正态分布
用numpy来获取一个标准正态分布的样例
num = 100000
mu = 0
sigma = 1
s = np.random.normal(mu, sigma, num)
一维正太分布如上面定义所说,正如一个“钟形”
![](https://img.haomeiwen.com/i3898821/b1dbee7fb21095bb.png)
或者如下两者
s = sigma * np.random.randn(num) + mu
和
s = sigma * np.random.standard_normal(num) + mu
效果都如之前的图片
mu控制函数中心位置左右移动,如下mu=6的场景
![](https://img.haomeiwen.com/i3898821/b40099e47c366898.png)
sigma=10的场景
![](https://img.haomeiwen.com/i3898821/6f4ffa0965e6a7e4.png)
可见,mu为正数,函数曲线向右移动,反之,向左移动;sigma越大,分布越宽;sigma越小分布越窄。
记住这个特性,在获取一维正太分布数据时很有帮助。
二维正太分布
二维正太分布的公式如下,
二维正太分布使用不一样的numpy函数,multivariate_normal
num = 40000
mean = np.array([0,0])
cov = np.eye(2)
ms = np.random.multivariate_normal(mean, cov, num)
二维标准正太分布如下,不在是一个“钟”,而像一个“圆”
![](https://img.haomeiwen.com/i3898821/b59da52db94823ee.png)
这里的参数也有变化。
mean表示二维数组每一维的均值;是一个(1,2)矩阵。
cov表示二维数组的协方差;是一个(2,2)矩阵。
可以看出来mean是圆的圆点,那么是不是改变了mean,圆就会发生移动呢? 我们试一下。
num = 40000
mean = np.array([4,8])
cov = np.eye(2)
ms = np.random.multivariate_normal(mean, cov, num)
![](https://img.haomeiwen.com/i3898821/5906e887f55c0771.png)
那么cov协方差代表的意义也通过实验来看一下,
num = 40000
mean = np.array([0,0])
cov = np.array([[5,0],[0,1]])
ms = np.random.multivariate_normal(mean, cov, num)
![](https://img.haomeiwen.com/i3898821/23cc54ca9d5c7ce9.png)