目录张量的操作1.张量的拼接与拆分1.1torch.cat() 1.2torch.stack() 1.3torch.chunk()1.4torch.split()2.张量的索引2.1torch.index_select()2.2masked_select()3.张量变换3.1torch.reshape() 3.2torch.transpose() 3.3to
转载
2024-02-19 10:43:42
24阅读
发现自己对各种分布不太熟悉，决定趁此机会整理一下，看有没有比较好的记忆方法。各种分布最重要的理解它的实际意义，都是解决什么问题的，其次是公式的含义。所以下面都按以下几点来展开：实际意义、数学表达、对表达式的解释。目录一、离散型变量的分布1. 0—1分布（两点分布）X~B(1,p)2. 二项分布（n重伯努利分布）X~B(n,p)3. 泊松分布 X~P(λ)4. 几何分布 X~G(
转载
2023-10-12 13:25:15
7061阅读
离散概率分布，即离散型随机变量的概率分布，与其相对的是连续概率分布。显然，离散往往意味着与自然数密切相关，本文下面介绍几种常见的离散概率分布及其Python运用。一、离散均匀分布：掷骰子均匀分布分为离散与连续两种情况，这里介绍离散的情况。离散型均匀分布指有限个数值拥有相同的概率的分布，比如掷骰子。假设实验结果共有n种可能，其分布列为 ，即每种情况发生的可能性相同。二、二点分布（伯努利分布
转载
2023-11-03 20:07:16
374阅读
1.两点分布——离散型概率分布2.二项分布——离散型概率分布3.泊松分布——离散型概率分布 泊松分布的期望和方差都是参数λλ!import numpy as np
a = np.random.poisson(55,size=(4,))
print(a)
print(type(a))
>>> [46 50 39 57]
<class 'numpy.ndarray'>4.
转载
2023-08-10 21:23:15
366阅读
import numpy as npscore=np.array([[80,89,86,67,79], [78,97,89,67,81], [90,94,78,67,74], [91,91,90,67,69], [76,87,75,67,86], [70,79
转载
2023-09-12 22:42:59
13阅读
生成随机数是程序设计里常见的需求。一般的编程语言都会自带一个随机数生成函数，用于生成服从均匀分布的随机数。不过有时需要生成服从其它分布的随机数，例如高斯分布或指数分布等。有些编程语言已经有比较完善的实现，例如Python的NumPy。这篇文章介绍如何通过均匀分布随机数生成函数生成符合特定概率分布的随机数，主要介绍Inverse Ttransform和Acceptance-Rejection两种基础
转载
2023-10-02 10:30:17
288阅读
在实现粒子系统时，希望粒子能均匀分布在某个范围内，很容易想到C++标准的随机数发生器（实际是产生的是伪随机数，一般使用所谓的线型同余法），但随机数的“均匀分布”需要无限多个样本，才能表现出均匀分布的特征，在一段短的时间内，经常产生一些不均匀。（如果是均匀的，那么买彩票就能根据以前出现的号码推断以后出现的号码。） 如果用随机数生成平面内的粒子坐标，将会得到不太均匀的分布，这里经过一番思考，
转载
2024-08-15 15:12:20
89阅读
# Python中的均匀分布及其应用
均匀分布是一种概率分布，所有可能的值都有相同的概率。它可以用于各种模拟和随机数生成任务中。在Python中，使用NumPy库很容易地生成均匀分布的随机数。在这篇文章中，我们将探讨均匀分布的概念、如何使用Python生成均匀分布的随机数，以及它的一些应用场景。
## 均匀分布的定义
均匀分布分为离散均匀分布和连续均匀分布两种。对于离散均匀分布，所有可能的离
原创
2024-09-16 04:14:34
100阅读
## Python均匀分布
在统计学和概率论中，均匀分布（Uniform Distribution）是一种概率分布，它的概率密度函数在一个区间内是常数。在统计分析和模拟中，均匀分布是非常常见的一种分布，也是一种最简单的连续概率分布之一。
### 均匀分布的特点
在均匀分布中，每个值都有相同的概率被选中，概率密度函数如下所示：
`函数可以在指定的区间内生成均匀分布的浮点数。
#### 示例代码：
```
原创
2024-09-29 03:46:17
86阅读
#! usr/bin/env python
# coding: utf-8
# 使用numpy中的随机函数 学习笔记
# 2018年06月04日11:38:43 北京昌平
import numpy.matlib
import numpy as np
# 说明,每块代码运行时,请将其他模块注释:
# 注释方法1:选中要注释的部分,然后同时按住ctrl和/按键
# 注释方法2:采用字符注释,
转载
2023-09-15 22:47:00
118阅读
机器学习有其独特的数学基础，我们用微积分来处理变化无限小的函数，并计算它们的变化；我们使用线性代数来处理计算过程；我们还用概率论与统计学建模不确定性。在这其中，概率论有其独特的地位，模型的预测结果、学习过程、学习目标都可以通过概率的角度来理解。与此同时，从更细的角度来说，随机变量的概率分布也是我们必须理解的内容。在这篇文章中，项目作者介绍了所有你需要了解的统计分布，他还提供了每一种分布的实现代码。
转载
2023-11-03 19:35:18
283阅读
统计建模与R软件-第四章 参数估计4.1设总体的分布密度为$$f(x;\alpha)=\begin{cases}(\alpha+1)x^\alpha&,x\in(0,1)\0&,other\end{cases}$$\(X_1,X_2,\cdots,X_n\)为其样本，求参数\(\alpha\)的矩估计量\(\widehat{\alpha_1}\)和极大似然估计量\(\widehat
转载
2024-05-08 14:57:10
201阅读
tensor常用数学操作1. 随机数1.1 torch.rand() - 均匀分布数字1.2 torch.randn() - 正态分布数字2. 求和2.1 torch.sum(data, dim)2.2 numpy.sum(data, axis)3. 求积3.1 点乘--对应位置相乘3.2 矩阵乘法4. 均值、方差4.1 torch tensor.mean() .std()4.2 numpy a
转载
2024-01-21 06:34:28
55阅读
一、概率密度函数和分布函数分布函数是概率密度函数从负无穷到正无穷上的积分；在坐标轴上，概率密度函数的函数值y表示落在x点上的概率为y；分布函数的函数值y则表示x落在区间(-∞，+∞）上的概率。二、均匀分布的概率密度函数假设x服从[a,b]上的均匀分布，则x的概率密度函数如下 概率密度图像如上图所示
转载
2023-11-06 13:56:59
707阅读
原创：hxj7
本文介绍了拒绝抽样（Reject Sampling）。
前文《R-概率统计与模拟（三）变换均匀分布对特定分布进行抽样》介绍了通过“变换均匀分布”来对特定分布进行抽样的方法，但是该方法需要知道累积分布的解析表达式及其反函数，所以有一定的限制。其实，我们最常接触的还是 ，根据 抽样往往更直接。比如，均匀分布的 就很简单，对
转载
2024-05-20 19:18:12
134阅读
在信号处理领域，获取特定分布的随机信号是一个很常见的需求，这里把均匀分布和高斯分布两种随机信号的生成方法记录一下，权当备忘。
一、首先是均匀分布，一方面均匀分布是最简单的一种情况，其次，均匀分布是后面产生高斯分布的基础。C代码如下：
#include <stdio.h>
#include <
stdlib.h
>
#include <
转载
2023-10-26 22:59:43
98阅读
▪ 随机数1. random（1）生成0-1的均匀分布的随机数： random.random() （2）从序列中随机选取一个元素： random.choice() （3）随机生成一个int整数型，可指定范围： random.randint() 2.numpy.random（1）正态分布函数：np.random.normal() 标准正态分布：np.random.randn() （2）泊松分布
转载
2024-02-04 21:22:18
752阅读
