tf.random.Generator

Генератор случайных чисел.

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

Пример:

Создание генератора из seed:

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 случайных 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 одинаковым алгоритмом и seed будут генерировать одинаковые целочисленные случайные числа. Результаты с плавающей точкой (например, вывод normal) могут иметь незначительные числовые расхождения между различными устройствами.

Этот класс использует tf.Variable для управления своим внутренним состоянием. Каждый раз, когда генерируются случайные числа, состояние генератора будет изменяться. 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 существует 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
)

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]

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 счётчика.

Этот конструктор применяется только если алгоритм является алгоритмом на основе счётчика. См. метод key для определения смысла «ключа» и «счётчика».

Исключения:

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

from_non_deterministic_state

Просмотреть исходный код

@classmethod
from_non_deterministic_state(
    alg=None
)

Создаёт генератор, не определяя его состояние.

Источник недетерминизма будет зависеть от платформы и времени.

Исключения:

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

from_seed

Просмотреть исходный код

@classmethod
from_seed(
    seed, alg=None
)

Создаёт генератор из seed.

Seed — это 1024-битовое целое без знака, представленное либо целым числом Python, либо вектором целых чисел. Seed'ы короче 1024 бит будут дополнены. Дополнение, внутренняя структура seed'a и способ преобразования seed'a в состояние являются неспецифицированными (непрозрачными). Единственное семантическое указание для seed'ов заключается в том, что два разных seed'a, скорее всего, приведут к двум независимым генераторам (но без гарантии).

Исключения:

• ValueError: если генератор создаётся внутри синхронной tf.distribute стратегии, такой как MirroredStrategy или TPUStrategy, потому что существует неоднозначность в том, как дублировать генератор (например, следует ли копировать его так, чтобы каждая репликация получала те же случайные числа, или следует «разделить» его на различные 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 создаётся внутри синхронной tf.distribute стратегии, например MirroredStrategy или TPUStrategy, из-за неоднозначности того, как реплицировать генератор (например, нужно ли копировать его, чтобы каждая репликация получала те же случайные числа, или его нужно «разделить» на разные генераторы, которые генерируют разные случайные числа).

make_seeds

Просмотреть исходный код

make_seeds(
    count=1
)

Генерирует семена для бессостоятельных 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 с новым состоянием.

См. __init__ для значения «состояния».

reset_from_key_counter

Просмотреть исходный код

reset_from_key_counter(
    key, counter
)

Сбрасывает генератор с новой парой ключ-счётчик.

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

reset_from_seed

Просмотреть исходный код

reset_from_seed(
    seed
)

Сбрасывает генератор с новым семенем.

См. from_seed для значения «семя».

skip

Просмотреть исходный код

skip(
    delta
)

Передвигает счётчик генератора на основе счётчика.

split

Просмотреть исходный код

split(
    count=1
)

Возвращает список независимых Generator объектов.

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 размещены на текущем устройстве (возможно, отличном 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 с указанным средним значением и стандартным отклонением, за исключением того, что значения, величина которых превышает 2 стандартных отклонения от среднего значения, отбрасываются и перевыбираются.

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, диапазон по умолчанию [0, 1). Для целых чисел, по крайней мере, maxval должны быть явно указаны.

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 или 2**64).

Для случайных целых чисел полного диапазона передайте minval=None и maxval=None с целым числом 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 в полном диапазоне целочисленного типа.

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