我想在 PyTorch 中获得一个大小为 [a,b] 的二维 torch.Tensor，其中填充了来自均匀分布（在 [r1,r2] 范围内）的值。
【问题讨论】：
torch.rand 是非常糟糕的命名。如果不查看文档，我不知道它是高斯还是均匀（顺便说一句，由于某种原因在浏览器上加载需要很长时间）。
r2 = torch.torch.distributions.Uniform(low=lb, high=ub).sample((num_samples,Din))
标签： python pytorch uniform-distribution
如果U是均匀分布在[0, 1]上的随机变量，那么(r1 - r2) * U + r2均匀分布在[r1, r2]上。
因此，您只需要：
(r1 - r2) * torch.rand(a, b) + r2
或者，您可以简单地使用：
torch.FloatTensor(a, b).uniform_(r1, r2)
为了充分解释这个公式，让我们看一些具体的数字：
r1 = 2 # Create uniform random numbers in half-open interval [2.0, 5.0)
r2 = 5
a = 1 # Create tensor shape 1 x 7
b = 7
我们可以将表达式(r1 - r2) * torch.rand(a, b) + r2分解如下：
torch.rand(a, b) 产生一个 a x b (1x7) 张量，其数字均匀分布在 [0.0, 1.0) 范围内。x = torch.rand(a, b)
print(x)
# tensor([[0.5671, 0.9814, 0.8324, 0.0241, 0.2072, 0.6192, 0.4704]])
(r1 - r2) * torch.rand(a, b) 产生分布在统一范围 [0.0, -3.0) 内的数字print((r1 - r2) * x)
tensor([[-1.7014, -2.9441, -2.4972, -0.0722, -0.6216, -1.8577, -1.4112]])
(r1 - r2) * torch.rand(a, b) + r2 产生统一范围内的数字 [5.0, 2.0)print((r1 - r2) * x + r2)
tensor([[3.2986, 2.0559, 2.5028, 4.9278, 4.3784, 3.1423, 3.5888]])
现在，让我们分解@Jonasson 建议的答案：(r2 - r1) * torch.rand(a, b) + r1
torch.rand(a, b) 生成 (1x7) 个数字，均匀分布在 [0.0, 1.0) 范围内。x = torch.rand(a, b)
print(x)
# tensor([[0.5671, 0.9814, 0.8324, 0.0241, 0.2072, 0.6192, 0.4704]])
(r2 - r1) * torch.rand(a, b) 产生均匀分布在 [0.0, 3.0) 范围内的数字。print((r2 - r1) * x)
# tensor([[1.7014, 2.9441, 2.4972, 0.0722, 0.6216, 1.8577, 1.4112]])
(r2 - r1) * torch.rand(a, b) + r1 产生均匀分布在 [2.0, 5.0) 范围内的数字print((r2 - r1) * x + r1)
tensor([[3.7014, 4.9441, 4.4972, 2.0722, 2.6216, 3.8577, 3.4112]])
总结，(r1 - r2) * torch.rand(a, b) + r2 产生范围 [r2, r1) 内的数字，而 (r2 - r1) * torch.rand(a, b) + r1 产生范围 [r1, r2) 内的数字。
【讨论】：
a + (b - a) * torch.rand(*size) 更自然，以实现 [a, b] 上的均匀分布。
torch.distributions.uniform.Uniform()
torch.FloatTensor(a, b).uniform_(r1, r2)
【讨论】：
torch.distributions.uniform.Uniform()
要获得均匀的随机分布，可以使用
torch.distributions.uniform.Uniform()
例子，
import torch
from torch.distributions import uniform
distribution = uniform.Uniform(torch.Tensor([0.0]),torch.Tensor([5.0]))
distribution.sample(torch.Size([2,3])
这将给出输出，张量大小为 [2, 3]。
【讨论】：
请您尝试以下方法：
import torch as pt
pt.empty(2,3).uniform_(5,10).type(pt.FloatTensor)
【讨论】：
这个答案使用 NumPy 首先生成一个随机矩阵，然后将矩阵转换为 PyTorch 张量。我发现 NumPy API 更容易理解。
import numpy as np
torch.from_numpy(np.random.uniform(low=r1, high=r2, size=(a, b)))
【讨论】：
查看所有发行版：https://pytorch.org/docs/stable/distributions.html#torch.distributions.uniform.Uniform
这是我找到工作的方式：
# generating uniform variables
import numpy as np
num_samples = 3
Din = 1
lb, ub = -1, 1
xn = np.random.uniform(low=lb, high=ub, size=(num_samples,Din))
print(xn)
import torch
sampler = torch.distributions.Uniform(low=lb, high=ub)
r = sampler.sample((num_samples,Din))
print(r)
r2 = torch.torch.distributions.Uniform(low=lb, high=ub).sample((num_samples,Din))
print(r2)
# process input
f = nn.Sequential(OrderedDict([
('f1', nn.Linear(Din,Dout)),
('out', nn.SELU())
]))
Y = f(r2)
print(Y)
但我不得不承认，我不知道生成采样器的意义何在，为什么不直接调用它，就像我在一个衬里（最后一行代码）中所做的那样。
评论：
参考：
【讨论】：
利用torch.distributions 包生成来自不同分布的样本。
例如，要从 range(low, high) 的均匀分布中采样大小为 [a,b] 的二维 PyTorch 张量，请尝试以下示例代码
import torch
a,b = 2,3 #dimension of the pytorch tensor to be generated
low,high = 0,1 #range of uniform distribution
x = torch.distributions.uniform.Uniform(low,high).sample([a,b])
【讨论】：
PyTorch 内置了许多分布。您可以使用从均匀分布中提取的元素构建所需的张量 shape，如下所示：
from torch.distributions.uniform import Uniform
shape = 3,4
r1, r2 = 0,1
x = Uniform(r1, r2).sample(shape)
【讨论】：