PyTorch是一个开源的深度学习框架，它提供了一个用于高级特性的Python包。在本文中，我们将介绍PyTorch中的常见抽样函数。抽样是一个统计过程，它从总体中提取一个子集，通过子集来研究整个总体。

torch.bernoulli()

伯努利分布是一个离散分布，有两个结果，即成功和失败。如果成功的概率是p，那么失败的概率是(1-p)，反之亦然。

PyTorch的实现和相应的输出如下:

a = torch.empty(3, 3).uniform_(0, 1)print(a)

输出如下：

tensor([[0.0966, 0.7385, 0.6546],[0.4255, 0.8294, 0.8315],[0.8065, 0.8228, 0.6467]])

现在我们把bernoulli()函数应用到张量上

torch.bernoulli(a)

输出如下：

tensor([[0., 1., 1.],[1., 1., 0.],[1., 0., 1.]])

柯西分布，又称柯西-洛伦兹分布，在统计学中，具有两个参数的连续分布函数，最早于19世纪初由法国数学家奥古斯丁-路易斯·柯西研究。后来，19世纪的荷兰物理学家亨德里克·洛伦兹(Hendrik Lorentz)用它来解释强迫共振或振动。第一眼看柯西分布看起来像正态分布，但它的“尾巴”并不像正态分布那样迅速逐渐消失。

柯西分布可能看起来类似于正态分布，它的峰值比高斯分布高，与正态分布不同的是，它的尾部衰减得更慢。

a = torch.ones(3, 3) a

输出：

tensor([[1., 1., 1.],[1., 1., 1.],[1., 1., 1.]])

现在我们应用cauchy_()函数

torch.Tensor.cauchy_(a)

输出：

tensor([[-4.5374, 0.3726, 0.4947],[ 0.4111, 0.9167, 0.7214],[ 1.0533, -9.2247, 0.7620]])

注意，这里的函数名称以"_"结尾，这是pytorch的一个规定，他将会用改写参数，也就是我们传进去的变量a

torch.poisson ()

泊松分布用于计算一个事件在平均价值率(时间)的一定时间内发生的可能性。泊松分布是一个离散的概率分布。

a = torch.rand(4, 4) * 5 # rate parameter between 0 and 5torch.poisson(a)

输出如下：

tensor([[2., 1., 0., 8.],[2., 3., 3., 3.],[0., 0., 1., 6.],[0., 5., 3., 3.]])

正态分布，又称高斯分布，是独立随机变量的连续分布函数。该分布有一个钟形曲线，其特征有两个参数:均值，即图型上的最大值，图总是对称的;还有标准差，它决定了离均值的差值。

torch.normal(mean=torch.arange(1., 11.), std=torch.arange(1, 0, -0.1))

输出如下：

tensor([-0.6932, 2.3833, 2.3547, 3.8103, 5.4436, 5.8295, 7.5898, 8.4793,9.1938, 10.0637])

PyTorch torch.randn()返回一个由可变参数大小(定义输出张量形状的整数序列)定义的张量，包含来自标准正态分布的随机数。

标准正态分布，也称为z分布，是一种特殊的正态分布，其均值为0，标准差为1

torch.randn(4,4)

输出如下：

tensor([[-1.3119, -0.2177, -0.2496, 0.2361],[-1.2755, -0.2271, 1.5297, 0.6433],[-0.4198, -0.9269, -0.6260, -0.9713],[ 0.6730, -1.2400, 2.1338, 0.2051]])

作者：Debgandhar Ghosh