随机操作
beta 函数
keras.random.beta(shape, alpha, beta, dtype=None, seed=None)
从 Beta 分布中抽取样本。
这些值是从由 alpha 和 beta 参数化的 Beta 分布中抽取的。
参数
- shape: 要生成的随机值的形状。
- alpha: 浮点数或浮点数数组，表示第一个参数 alpha。必须与
beta和shape可广播。 - beta: 浮点数或浮点数数组，表示第二个参数 beta。必须与
alpha和shape可广播。 - dtype: 可选的张量数据类型。仅支持浮点类型。如果未指定，则使用
keras.config.floatx()，其默认为float32，除非您通过keras.config.set_floatx(float_dtype)配置了其他类型。 - seed: 可选的 Python 整数或
keras.random.SeedGenerator实例。默认情况下，seed参数为None，并使用内部全局keras.random.SeedGenerator。seed参数可用于确保确定性（可重复）随机数生成。请注意，将整数作为seed值传递将为每次调用生成相同的随机值。要为重复调用生成不同的随机值，必须提供keras.random.SeedGenerator的实例作为seed值。关于 JAX 后端的说明：当使用 JAX 后端跟踪函数时，不支持全局keras.random.SeedGenerator。因此，在跟踪期间，默认值 seed=None 将产生错误，必须提供seed参数。
binomial 函数
keras.random.binomial(shape, counts, probabilities, dtype=None, seed=None)
从二项分布中抽取样本。
这些值是从具有指定试验次数和成功概率的二项分布中抽取的。
参数
- shape: 要生成的随机值的形状。
- counts: 表示试验次数的数字或数字数组。它必须与
probabilities可广播。 - probabilities: 表示单个事件成功概率的浮点数或浮点数数组。它必须与
counts可广播。 - dtype: 可选的张量数据类型。仅支持浮点类型。如果未指定，则使用
keras.config.floatx()，其默认为float32，除非您通过keras.config.set_floatx(float_dtype)配置了其他类型。 - seed: 可选的 Python 整数或
keras.random.SeedGenerator实例。默认情况下，seed参数为None，并使用内部全局keras.random.SeedGenerator。seed参数可用于确保确定性（可重复）随机数生成。请注意，将整数作为seed值传递将为每次调用生成相同的随机值。要为重复调用生成不同的随机值，必须提供keras.random.SeedGenerator的实例作为seed值。关于 JAX 后端的说明：当使用 JAX 后端跟踪函数时，不支持全局keras.random.SeedGenerator。因此，在跟踪期间，默认值 seed=None 将产生错误，必须提供seed参数。
categorical 函数
keras.random.categorical(logits, num_samples, dtype="int32", seed=None)
从类别分布中抽取样本。
此函数将 logits 作为输入，这是一个形状为 (batch_size, num_classes) 的 2D 输入张量。输入的每一行表示一个类别分布，其中每个列索引包含给定类别的对数概率。
该函数将输出一个形状为 (batch_size, num_samples) 的 2D 张量，其中每一行包含来自 logits 中相应行的样本。每个列索引包含从输入分布中抽取的独立样本。
参数
- logits: 形状为 (batch_size, num_classes) 的 2D 张量。每一行应定义一个类别分布，其中包含所有类别的未归一化对数概率。
- num_samples: 整数，为输入的每一行抽取的独立样本数。这将是输出张量形状的第二个维度。
- dtype: 输出张量的可选数据类型。
- seed: 可选的 Python 整数或
keras.random.SeedGenerator实例。默认情况下，seed参数为None，并使用内部全局keras.random.SeedGenerator。seed参数可用于确保确定性（可重复）随机数生成。请注意，将整数作为seed值传递将为每次调用生成相同的随机值。要为重复调用生成不同的随机值，必须提供keras.random.SeedGenerator的实例作为seed值。关于 JAX 后端的说明：当使用 JAX 后端跟踪函数时，不支持全局keras.random.SeedGenerator。因此，在跟踪期间，默认值 seed=None 将产生错误，必须提供seed参数。
返回值
一个形状为 (batch_size, num_samples) 的 2D 张量。
dropout 函数
keras.random.dropout(inputs, rate, noise_shape=None, seed=None)
gamma 函数
keras.random.gamma(shape, alpha, dtype=None, seed=None)
从 Gamma 分布中抽取随机样本。
参数
- shape: 要生成的随机值的形状。
- alpha: 浮点数，分布的参数。
- dtype: 可选的张量数据类型。仅支持浮点类型。如果未指定，则使用
keras.config.floatx()，其默认为float32，除非您通过keras.config.set_floatx(float_dtype)配置了其他类型。 - seed: 可选的 Python 整数或
keras.random.SeedGenerator实例。默认情况下，seed参数为None，并使用内部全局keras.random.SeedGenerator。seed参数可用于确保确定性（可重复）随机数生成。请注意，将整数作为seed值传递将为每次调用生成相同的随机值。要为重复调用生成不同的随机值，必须提供keras.random.SeedGenerator的实例作为seed值。关于 JAX 后端的说明：当使用 JAX 后端跟踪函数时，不支持全局keras.random.SeedGenerator。因此，在跟踪期间，默认值 seed=None 将产生错误，必须提供seed参数。
normal 函数
keras.random.normal(shape, mean=0.0, stddev=1.0, dtype=None, seed=None)
从正态（高斯）分布中抽取随机样本。
参数
- shape: 要生成的随机值的形状。
- mean: 浮点数，默认为 0。要生成的随机值的均值。
- stddev: 浮点数，默认为 1。要生成的随机值的标准差。
- dtype: 可选的张量数据类型。仅支持浮点类型。如果未指定，则使用
keras.config.floatx()，其默认为float32，除非您通过keras.config.set_floatx(float_dtype)配置了其他类型。 - seed: 可选的 Python 整数或
keras.random.SeedGenerator实例。默认情况下，seed参数为None，并使用内部全局keras.random.SeedGenerator。seed参数可用于确保确定性（可重复）随机数生成。请注意，将整数作为seed值传递将为每次调用生成相同的随机值。要为重复调用生成不同的随机值，必须提供keras.random.SeedGenerator的实例作为seed值。关于 JAX 后端的说明：当使用 JAX 后端跟踪函数时，不支持全局keras.random.SeedGenerator。因此，在跟踪期间，默认值seed=None将产生错误，必须提供seed参数。
randint 函数
keras.random.randint(shape, minval, maxval, dtype="int32", seed=None)
从均匀分布中抽取随机整数。
生成的值遵循 [minval, maxval) 范围内的均匀分布。下界 minval 包含在范围内，而上界 maxval 不包含在范围内。
dtype 必须为整数类型。
参数
- shape: 要生成的随机值的形状。
- minval: 浮点数，默认为 0。要生成的随机值范围的下界（包含）。
- maxval: 浮点数，默认为 1。要生成的随机值范围的上界（不包含）。
- dtype: 可选的张量数据类型。仅支持整数类型。如果未指定，则使用
keras.config.floatx()，其默认为float32，除非您通过keras.config.set_floatx(float_dtype)配置了其他类型。 - seed: 可选的 Python 整数或
keras.random.SeedGenerator实例。默认情况下，seed参数为None，并使用内部全局keras.random.SeedGenerator。seed参数可用于确保确定性（可重复）随机数生成。请注意，将整数作为seed值传递将为每次调用生成相同的随机值。要为重复调用生成不同的随机值，必须提供keras.random.SeedGenerator的实例作为seed值。关于 JAX 后端的说明：当使用 JAX 后端跟踪函数时，不支持全局keras.random.SeedGenerator。因此，在跟踪期间，默认值 seed=None 将产生错误，必须提供seed参数。
shuffle 函数
keras.random.shuffle(x, axis=0, seed=None)
沿轴均匀随机地打乱张量的元素。
参数
- x: 要打乱的张量。
- axis: 一个整数，指定沿其打乱的轴。默认为
0。 - seed: 可选的 Python 整数或
keras.random.SeedGenerator实例。默认情况下，seed参数为None，并使用内部全局keras.random.SeedGenerator。seed参数可用于确保确定性（可重复）随机数生成。请注意，将整数作为seed值传递将为每次调用生成相同的随机值。要为重复调用生成不同的随机值，必须提供keras.random.SeedGenerator的实例作为seed值。关于 JAX 后端的说明：当使用 JAX 后端跟踪函数时，不支持全局keras.random.SeedGenerator。因此，在跟踪期间，默认值 seed=None 将产生错误，必须提供seed参数。
truncated_normal 函数
keras.random.truncated_normal(shape, mean=0.0, stddev=1.0, dtype=None, seed=None)
从截断的正态分布中抽取样本。
这些值是从具有指定均值和标准差的正态分布中抽取的，丢弃并重新抽取任何与均值相差两个标准差以上的样本。
参数
- shape: 要生成的随机值的形状。
- mean: 浮点数，默认为 0。要生成的随机值的均值。
- stddev: 浮点数，默认为 1。要生成的随机值的标准差。
- dtype: 可选的张量数据类型。仅支持浮点类型。如果未指定，则使用
keras.config.floatx()，其默认为float32，除非您通过keras.config.set_floatx(float_dtype)配置了其他类型。 - seed: 可选的 Python 整数或
keras.random.SeedGenerator实例。默认情况下，seed参数为None，并使用内部全局keras.random.SeedGenerator。seed参数可用于确保确定性（可重复）随机数生成。请注意，将整数作为seed值传递将为每次调用生成相同的随机值。要为重复调用生成不同的随机值，必须提供keras.random.SeedGenerator的实例作为seed值。关于 JAX 后端的说明：当使用 JAX 后端跟踪函数时，不支持全局keras.random.SeedGenerator。因此，在跟踪期间，默认值 seed=None 将产生错误，必须提供seed参数。
uniform 函数
keras.random.uniform(shape, minval=0.0, maxval=1.0, dtype=None, seed=None)
从均匀分布中抽取样本。
生成的值遵循 [minval, maxval) 范围内的均匀分布。下界 minval 包含在范围内，而上界 maxval 不包含在范围内。
dtype 必须为浮点类型，默认范围为 [0, 1)。
参数
- shape: 要生成的随机值的形状。
- minval: 浮点数，默认为 0。要生成的随机值范围的下界（包含）。
- maxval: 浮点数，默认为 1。要生成的随机值范围的上界（不包含）。
- dtype: 可选的张量数据类型。仅支持浮点类型。如果未指定，则使用
keras.config.floatx()，其默认为float32，除非您通过keras.config.set_floatx(float_dtype)配置了其他类型。 - seed: 可选的 Python 整数或
keras.random.SeedGenerator实例。默认情况下，seed参数为None，并使用内部全局keras.random.SeedGenerator。seed参数可用于确保确定性（可重复）随机数生成。请注意，将整数作为seed值传递将为每次调用生成相同的随机值。要为重复调用生成不同的随机值，必须提供keras.random.SeedGenerator的实例作为seed值。关于 JAX 后端的说明：当使用 JAX 后端跟踪函数时，不支持全局keras.random.SeedGenerator。因此，在跟踪期间，默认值 seed=None 将产生错误，必须提供seed参数。