torch.randn

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

返回一个填充有从均值为 0、方差为 1 的正态分布（也称为标准正态分布）中采样的随机数的张量。

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

对于复数数据类型，张量是独立同分布地从均值为零、方差为一的 复数正态分布 中采样的，如下所示：

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

这等同于独立地采样 $\text{out}_i$ 的实部 $(\operatorname{Re})$ 和虚部 $(\operatorname{Im})$ 如下：

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

张量的形状由可变参数 size 定义。

参数

size (int...) – 定义输出张量形状的整数序列。可以是可变数量的参数，也可以是列表或元组之类的集合。

关键字参数

• generator (torch.Generator, optional) – 用于采样的伪随机数生成器

• out (Tensor, optional) – 输出张量。

• dtype (torch.dtype, optional) – 返回张量的期望数据类型。默认值：如果 None，则使用全局默认值（参见 torch.set_default_dtype()）。

• layout (torch.layout, 可选) – 返回张量的所需布局。默认：torch.strided。

• device (torch.device, 可选) – 返回张量的所需设备。默认：如果为 None，则使用当前设备作为默认张量类型（参见 torch.set_default_device()）。对于 CPU 张量类型，device 将是 CPU；对于 CUDA 张量类型，device 将是当前的 CUDA 设备。

• requires_grad (bool, optional) – 如果 autograd 应记录在返回的张量上的操作。默认值：False。

• pin_memory (bool, optional) – 如果设置为 True，则返回的张量将被分配到固定内存中。仅适用于 CPU 张量。默认值：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]])