tf.random.Generator

Генератор псевдослучайных чисел.

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

Пример:

Создание генератора из семян:

g = tf.random.Generator.from_seed(1234)
g.normal(shape=(2, 3))
<tf.Tensor: shape=(2, 3), dtype=float32, numpy=
array([[ 0.9356609 ,  1.0854305 , -0.93788373],
       [-0.5061547 ,  1.3169702 ,  0.7137579 ]], dtype=float32)>

Создание генератора из недетерминированного состояния:

g = tf.random.Generator.from_non_deterministic_state()
g.normal(shape=(2, 3))
<tf.Tensor: shape=(2, 3), dtype=float32, numpy=...>

Все конструкторы позволяют явно выбрать алгоритм генерации псевдослучайных чисел (RNG). Поддерживаемые алгоритмы — "philox" и "threefry". Например:

g = tf.random.Generator.from_seed(123, alg="philox")
g.normal(shape=(2, 3))
<tf.Tensor: shape=(2, 3), dtype=float32, numpy=
array([[ 0.8673864 , -0.29899067, -0.9310337 ],
       [-1.5828488 ,  1.2481191 , -0.6770643 ]], dtype=float32)>

Процессор, графический процессор и TPU с одним и тем же алгоритмом и семенами будут генерировать одни и те же целые случайные числа. Результаты с плавающей запятой (например, выход normal) могут иметь небольшие числовые расхождения на разных устройствах.

Этот класс использует tf.Variable для управления своим внутренним состоянием. Каждый раз, когда генерируются случайные числа, состояние генератора изменяется. Например:

g = tf.random.Generator.from_seed(1234)
g.state
<tf.Variable ... numpy=array([1234,    0,    0])>
g.normal(shape=(2, 3))
<...>
g.state
<tf.Variable ... numpy=array([2770,    0,    0])>

Форма состояния зависит от алгоритма.

Также есть глобальный генератор:

g = tf.random.get_global_generator()
g.normal(shape=(2, 3))
<tf.Tensor: shape=(2, 3), dtype=float32, numpy=...>

Методы

binomial

Просмотреть исходный код

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

Выдает случайные значения из биномиального распределения.

Сгенерированные значения следуют биномиальному распределению со значениями счетчика и вероятности успеха.

Пример:

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

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


counts = ... # Shape [3, 1, 2]
probs = ...  # Shape [1, 4, 2]
shape = [3, 4, 3, 4, 2]
rng = tf.random.Generator.from_seed(seed=1717)
# Sample shape will be [3, 4, 3, 4, 2]
binomial_samples = rng.binomial(shape=shape, counts=counts, probs=probs)

from_key_counter

Просмотреть исходный код

@classmethod
from_key_counter(
    key, counter, alg
)

Создаёт генератор из ключа и счетчика.

Этот конструктор применяется только к алгоритмам на основе счетчика. См. метод key для значения «ключа» и «счетчика».

Исключения:

• ValueError: если генератор создаётся внутри синхронной стратегии tf.distribute, например MirroredStrategy или TPUStrategy, потому что есть неоднозначность в том, как реплицировать генератор (например, нужно ли копировать его, чтобы каждая репликация получала одинаковые случайные числа, или нужно «разделить» его на разные генераторы, которые генерируют разные случайные числа).

from_non_deterministic_state

Просмотреть исходный код

@classmethod
from_non_deterministic_state(
    alg=None
)

Создаёт генератор, инициализируя его состояние недетерминированно.

Источник недетерминизма будет зависеть от платформы и времени.

Исключения:

• ValueError: если генератор создаётся внутри синхронной стратегии tf.distribute, например MirroredStrategy или TPUStrategy, потому что есть неоднозначность в том, как реплицировать генератор (например, нужно ли копировать его, чтобы каждая репликация получала одинаковые случайные числа, или нужно «разделить» его на разные генераторы, которые генерируют разные случайные числа).

from_seed

Просмотреть исходный код

@classmethod
from_seed(
    seed, alg=None
)

Создаёт генератор из семян.

Семена — 1024-битовое целое без знака, представленное либо целым числом Python, либо вектором целых чисел. Семена, меньшие 1024 бит, будут дополнены. Дополнение, внутренняя структура семян и способ преобразования семян в состояние — всё не определено (неописано). Единственное семантическое требование к семенам — два разных семени, скорее всего, приведут к двум независимым генераторам (но это не гарантируется).

Исключения:

• ValueError: если генератор создаётся внутри синхронной стратегии tf.distribute, например MirroredStrategy или TPUStrategy, потому что есть неоднозначность в том, как реплицировать генератор (например, нужно ли копировать его, чтобы каждая репликация получала одинаковые случайные числа, или нужно «разделить» его на разные генераторы, которые генерируют разные случайные числа).

from_state

Просмотреть исходный код

@classmethod
from_state(
    state, alg
)

Создаёт генератор из состояния.

См. __init__ для описания state и alg.

Исключения:

• ValueError: если генератор создан внутри синхронной tf.distribute стратегии, например MirroredStrategy или TPUStrategy, потому что возникает неоднозначность в том, как дублировать генератор (например, следует ли копировать его так, чтобы каждая репликация получала те же случайные числа, или следует ли «разделить» его на разные генераторы, которые генерируют разные случайные числа).

make_seeds

Просмотреть исходный код

make_seeds(
    count=1
)

Генерирует семена для бессеменных случайных операций.

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 определения «состояния».

reset_from_key_counter

Просмотреть исходный код

reset_from_key_counter(
    key, counter
)

Сбрасывает генератор новой парой ключ-счетчик.

См. from_key_counter для определения «ключа» и «счетчика».

reset_from_seed

Просмотреть исходный код

reset_from_seed(
    seed
)

Сбрасывает генератор новым семением.

См. from_seed для определения «семени».

skip

Просмотреть исходный код

skip(
    delta
)

Передвинуть счетчик генератора, основанного на счетчике.

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 усечённого нормального распределения.

Сгенерированные значения следуют нормальному распределению со средним значением и стандартным отклонением, за исключением того, что значения, абсолютная величина которых больше, чем 2 стандартных отклонения от среднего, отбрасываются и перебираются 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 включена в диапазон, а верхняя граница maxval исключена. (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 немного смещены, если maxval - minval не является точной степенью двойки. Смещение невелико для значений maxval - minval значительно меньше диапазона вывода (либо 2**32 , либо 2**64).

Для случайных целых чисел с полным диапазоном передайте minval=None и maxval=None с целочисленным значением dtype (для целочисленных типов данных minval и maxval должны быть оба None или оба не None).

uniform_full_int

Просмотреть исходный код

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

Равномерное распределение по всему диапазону целочисленного типа.

Этот метод эквивалентен установке minval и maxval в None в методе uniform.