Python中NumPy库提供的函数——np.random.randn的基本用法
一、基本用法
np.random.randn是NumPy中用于生成服从标准正态分布（均值为0，标准差为1）的随机数的函数。它生成的随机数遵循标准正态分布，也称为高斯分布。
以下是使用np.random.randn生成随机数的示例：
import numpy as np # 生成一个随机数，服从标准正态分布 random_number = np.random.randn() print(random_number) # 生成一个包含多个随机数的 NumPy 数组 random_array = np.random.randn(3, 4) # 生成一个 3x4 的数组，包含随机数 print(random_array)
运行结果：
请注意，生成的随机数是伪随机数，它们是通过确定性算法生成的，但通常在实际应用中足够随机。要使随机数生成具有确定性，可以设置随机种子，使用函数，此用于np.random.seed实验的可重复性非常重要。
二、举例神经网络初始化过程中用到一些代码
class TwoLayerNet:
def __init__(self, input_size, hidden_size, output_size, weight_init_std=0.01):
# 初始化权重
self.params = {}
self.params['W1'] = weight_init_std * np.random.randn(input_size, hidden_size)
self.params['b1'] = np.zeros(hidden_size)
self.params['W2'] = weight_init_std * np.random.randn(hidden_size, output_size)
self.params['b2'] = np.zeros(output_size)
（1）、代码的作用解释
1、self.params = {}：初始化一个名为 的空字典params。该字典将用于存储神经网络的参数，包括权重和偏差。
2、self.params['W1']：将第一层（隐藏层的输入）的权重矩阵初始化为'W1'。该权重矩阵的大小由input_size（输入特征的数量）和hidden_size（隐藏层中的神经元或单元的数量）决定。权重使用从均值 0 和标准差 的高斯（正态）分布中抽取的随机值进行初始化weight_init_std。
3、self.params['b1']：将第一层（隐藏层的输入）的偏置向量初始化为'b1'。该偏置向量的大小由 确定hidden_size，并且用全零进行初始化。
4、self.params['W2']：将第二层（隐藏到输出）的权重矩阵初始化为'W2'。hidden_size该权重矩阵的大小由（隐藏层中的神经元数量）和output_size（输出层中的神经元或单元数量）决定。与“W1”类似，权重是使用从均值为 0 和标准差 的高斯分布中抽取的随机值来初始化的weight_init_std。
5、self.params['b2']：将第二层（隐藏到输出）的偏置向量初始化为'b2'。该偏置向量的大小由 确定output_size，并且用全零进行初始化。
（2）、weight_init_std的解释
这些权重和偏差通常是随机初始化的，以打破神经网络中的任何对称性，从而使其能够在训练期间学习有意义的表示。该 weight_init_std参数控制初始权重的范围。根据具体的神经网络实现，您可能会在训练期间看到对这些参数执行的进一步操作，例如用于学习的前向和后向传播。weight_init_std，该值设置为 0.01。该值表示使用从高斯（正态）分布中抽取的随机值初始化神经网络层的权重时使用的标准偏差。
当weight_init_std设置为0.01时，表示神经网络的初始权重取自均值为0、标准差为0.01的高斯分布。该值是神经网络中权重初始化的常见选择，并且在处理小规模数据集或深度网络时经常使用。较小的值会weight_init_std导致较小的初始权重，这有助于稳定训练过程并防止梯度在反向传播期间变得太大。
总体而言选择weight_init_std可能会影响神经网络从数据中学习的效率以及训练期间收敛的速度。不同的值可能更适合不同的任务和架构，因此它通常是一个可以在神经网络模型开发过程中调整的超参数。
