当前位置：首页 > news >正文

pytorch基本运算-torch.normal()函数生成的随机数据添加噪声

news 2025/9/30 13:11:02

【1】引言

前序学习进程中，已经学习了https://blog.csdn.net/weixin_44855046/article/details/148383432?spm=1001.2014.3001.5502，掌握了一些基本运算方法。
此外也学习了使用PyTorch模块的normal()函数绘制正态分布函数图，掌握了torch.normal()函数生成正态分布随机数的基本技巧。
今天的学习任务就是将两种计算方法结合起来，顺路学习一个强大的新函数torch.matmul()。

【2】矩阵运算

前序学习已经知道：

hadamard积是元素对位相乘，用“*”连接张量
点积是元素对位相乘后再求和，用“torch.sum(*)”连接张量，
矩阵乘法是第一个矩阵的第i行与第二个矩阵第j列相乘的效果，用“torch.mm()”连接矩阵，就是大家所熟悉的线性代数中得矩阵乘法，
torch.normal()函数生成正态分布随机数。

然后我们尝试写一段代码：

# 引入模块
import matplotlib.pyplot as plt
import torch
from matplotlib.pyplot import subplots
from sympy.abc import alpha# 定义随机数数量
n_features=3000
# 生成随机数
w=torch.tensor([1,2]).float()
print(len(w))
x=torch.normal(0,1,(n_features,len(w)))
n=torch.normal(0,0.01,(n_features,))

这段代码的作用是，生成一不同的随机数，这里取len(w)有一个小细节：
当w是1行多列的数据形式时，len(w)=列数；当w是多行多列的数据形式时，len(w)=行数。
此时就会输出不同维度数的x，n是最为常规的正态分布随机数，可以理解为一个行向量。
然后展开计算：

# 随机数计算
c=2*x
d=torch.matmul(x,w)+n
print('d=',d)

这里使用了torch.matmul(x,w)函数，之所以说torch.matmul(x,w)函数很强大，是因为这个函数可以自动根据x和w的维度自行选择计算方法：
如果两个二维张量满足常规矩阵计算方法的维度，它们就会按照常规矩阵乘法的计算法则计算；
如果两个二维张量不满足常规矩阵计算方法的维度，它们会先自动广播，然后按照常规矩阵乘法的计算法则计算；
如果两个一维张量相乘，它们会按照元素对位相乘后叠加，类似于“torch.sum(*)；
其他的暂时不学，用到了再说，总之就是很灵活。

这里定义的x张量的列数和w的行数相等，每行数据是[x1,x2]，所以会按照每行数据x1w1+x2w2+n的方式计算。
然后输出图像就可以：

# 绘制综合效果
fig,ax=subplots(3,1)
ax[0].scatter(x[:,(0)],d.flatten())
ax[1].hist(d.flatten(),bins=50,color='blue',alpha=0.5)
ax[2].plot(x[:,(1)],d.flatten(),color='blue',alpha=0.5)
plt.grid(True)
plt.show()

代码运行效果为：
在这里插入图片描述

此时的完整代码为：

# 引入模块
import matplotlib.pyplot as plt
import torch
from matplotlib.pyplot import subplots
from sympy.abc import alpha# 定义随机数数量
n_features=3000
# 生成随机数
w=torch.tensor([1,2]).float()
print(len(w))
x=torch.normal(0,1,(n_features,len(w)))
n=torch.normal(0,0.01,(n_features,))# 随机数计算
c=2*x
d=torch.matmul(x,w)+n
print('d=',d)# 绘制综合效果
fig,ax=subplots(3,1)
ax[0].scatter(x[:,(0)],d.flatten())
ax[1].hist(d.flatten(),bins=50,color='blue',alpha=0.5)
ax[2].plot(x[:,(1)],d.flatten(),color='blue',alpha=0.5)
plt.grid(True)
plt.show()