tf.random.experimental.Generator

Генератор псевдослучайных чисел.

Наследуется от: Checkpointable

tf.random.experimental.Generator(
    copy_from=None, state=None, alg=None
)

Использует переменную для управления внутренним состоянием и позволяет выбирать алгоритм генерации псевдослучайных чисел (RNG).

CPU, GPU и TPU с тем же алгоритмом и начальным значением генерируют одни и те же целые псевдослучайные числа. Результаты с плавающей запятой (например, результат normal) могут иметь небольшие числовые расхождения между CPU и GPU.

Методы

binomial

Просмотреть исходный код

binomial(
    shape, counts, probs, dtype=tf.dtypes.int32, name=None
)

Выводит случайные значения из биномиального распределения.

Сгенерированные значения следуют биномиальному распределению с заданными параметрами количества испытаний и вероятности успеха.

Пример:

counts = [10., 20.]
# Probability of success.
probs = [0.8, 0.9]

rng = tf.random.experimental.Generator.from_seed(seed=234)
binomial_samples = rng.binomial(shape=[2], counts=counts, probs=probs)

from_key_counter

Просмотреть исходный код

@classmethod
from_key_counter(
    key, counter, alg
)

Создаёт генератор по ключу и счётчику.

Этот конструктор применяется только в случае алгоритма на основе счётчика. См. метод key для значения «ключа» и «счётчика».

from_non_deterministic_state

Просмотреть исходный код

@classmethod
from_non_deterministic_state(
    alg=None
)

Создаёт генератор, не определяя состояние.

Источник не определения будет зависеть от платформы и времени.

from_seed

Просмотреть исходный код

@classmethod
from_seed(
    seed, alg=None
)

Создаёт генератор из начального значения.

Начальное значение — 1024-битовое беззнаковое целое число, представленное либо как целое число Python, либо как вектор целых чисел. Значения начального значения, меньшие 1024 бит, будут дополнены. Заполнение, внутренняя структура начального значения и способ преобразования начального значения в состояние — всё это не определено. Единственная семантика начального значения — два разных начальных значения, скорее всего, приведут к двум независимым генераторам (но это не гарантируется).

from_state

Просмотреть исходный код

@classmethod
from_state(
    state, alg
)

Создаёт генератор из состояния.

См. __init__ для описания state и alg.

make_seeds

Просмотреть исходный код

make_seeds(
    count=1
)

Генерирует начальные значения для бессостоятельных операций случайности.

Например:

seeds = get_global_generator().make_seeds(count=10)
for i in range(10):
  seed = seeds[:, i]
  numbers = stateless_random_normal(shape=[2, 3], seed=seed)
  ...

normal

Просмотреть исходный код

normal(
    shape, mean=0.0, stddev=1.0, dtype=tf.dtypes.float32, name=None
)

Выводит случайные значения из нормального распределения.

reset

Просмотреть исходный код

reset(
    state
)

Сбрасывает генератор новым состоянием.

См. __init__ для значения «состояния».

reset_from_key_counter

Просмотреть исходный код

reset_from_key_counter(
    key, counter
)

Сброс генератора с помощью новой пары ключ-счётчик.

См. from_key_counter для значения «ключ» и «счётчик».

reset_from_seed

Просмотреть исходный код

reset_from_seed(
    seed
)

Сброс генератора с помощью нового значения.

См. from_seed для значения «семя».

skip

Просмотреть исходный код

skip(
    delta
)

Передвинуть счётчик генератора с учётом счётчика.

split

Просмотреть исходный код

split(
    count=1
)

Возвращает список независимых объектов Generator.

Два генератора независимы друг от друга в том смысле, что потоки случайных чисел, которые они генерируют, не имеют статистически обнаруживаемых корреляций. Новые генераторы также независимы от старого. Состояние старого генератора будет изменено (как и другие методы генерации случайных чисел), поэтому два вызова split вернут разные новые генераторы.

Например:

gens = get_global_generator().split(count=10)
for gen in gens:
  numbers = gen.normal(shape=[2, 3])
  # ...
gens2 = get_global_generator().split(count=10)
# gens2 will be different from gens

Новые генераторы будут помещены на текущий устройство (возможно, отличное от устройства старого генератора), например:

with tf.device("/device:CPU:0"):
  gen = Generator(seed=1234)  # gen is on CPU
with tf.device("/device:GPU:0"):
  gens = gen.split(count=10)  # gens are on GPU

truncated_normal

Просмотреть исходный код

truncated_normal(
    shape, mean=0.0, stddev=1.0, dtype=tf.dtypes.float32, name=None
)

Выводит случайные значения из усеченного нормального распределения.

Сгенерированные значения следуют нормальному распределению со заданным средним значением и стандартным отклонением, за исключением того, что значения, чья величина больше, чем 2 стандартных отклонения от среднего, отбрасываются и выбираются заново.

uniform

Просмотреть исходный код

uniform(
    shape, minval=0, maxval=None, dtype=tf.dtypes.float32, name=None
)

Выводит случайные значения из равномерного распределения.

Сгенерированные значения следуют равномерному распределению в диапазоне [minval, maxval). Нижняя граница minval включается в диапазон, а верхняя граница maxval исключается. (Для чисел с плавающей точкой, особенно для типов с низкой точностью, таких как bfloat16, из-за округления результат иногда может включать maxval.)

Для чисел с плавающей точкой, по умолчанию, диапазон — [0, 1). Для целых чисел, по крайней мере, maxval должен быть указан явно.

В случае целых чисел случайные целые числа несколько смещены, если maxval - minval не является точной степенью двойки. Смещение мало для значений maxval - minval значительно меньших, чем диапазон выходных данных (либо 2**32, либо 2**64).

uniform_full_int

Просмотреть исходный код

uniform_full_int(
    shape, dtype=tf.dtypes.uint64, name=None
)

Равномерное распределение по всему диапазону целочисленного типа.

Другой метод uniform охватывает только диапазон [minval, maxval), который не может охватить весь диапазон dtype, поскольку maxval типа dtype.