本页对应的英文页面已更新，但尚未翻译。 若要查看最新内容，请点击此处访问英文页面。

randn

正态分布的随机数

全页折叠

语法

X = randn
X = randn(n)
X = randn(sz1,...,szN)
X = randn(sz)
X = randn(___,typename)
X = randn(___,'like',p)

说明

示例

X = randn 返回一个从标准正态分布中得到的随机标量。

示例

X = randn(n) 返回由正态分布的随机数组成的 n×n 矩阵。

示例

X = randn(sz1,...,szN) 返回由随机数组成的 sz1×...×szN 数组，其中 sz1,...,szN 指示每个维度的大小。例如：randn(3,4) 返回一个 3×4 的矩阵。

示例

X = randn(sz) 返回由随机数组成的数组，其中大小向量 sz 定义 size(X)。例如：randn([3 4]) 返回一个 3×4 的矩阵。

示例

X = randn(___,typename) 返回由 typename 数据类型的随机数组成的数组。typename 输入可以是 'single' 或 'double'。您可以使用上述语法中的任何输入参数。

示例

X = randn(___,'like',p) 返回由 p 等随机数组成的数组；也就是与 p 同一对象类型。您可以指定 typename 或 'like'，但不能同时指定两者。

注意

不建议对 randn 函数使用 'seed'、'state' 和 'twister' 输入。改用 rng 函数。有关详细信息，请参阅更换不推荐的 rand 和 randn 语法。

示例

全部折叠

打开实时脚本

生成一个由正态分布的随机数组成的 5×5 矩阵。 

r = randn(5)
r = 5×5

    0.5377   -1.3077   -1.3499   -0.2050    0.6715
    1.8339   -0.4336    3.0349   -0.1241   -1.2075
   -2.2588    0.3426    0.7254    1.4897    0.7172
    0.8622    3.5784   -0.0631    1.4090    1.6302
    0.3188    2.7694    0.7147    1.4172    0.4889
打开实时脚本

通过指定的平均向量和协方差矩阵基于二元正态分布生成值。 

mu = [1 2];
sigma = [1 0.5; 0.5 2];
R = chol(sigma);
z = repmat(mu,10,1) + randn(10,2)*R
z = 10×2

    1.5377    0.4831
    2.8339    6.9318
   -1.2588    1.8302
    1.8622    2.3477
    1.3188    3.1049
   -0.3077    1.0750
    0.5664    1.6190
    1.3426    4.1420
    4.5784    5.6532
    3.7694    5.2595
打开实时脚本

生成一个具有正态分布的实部和虚部的随机复数。 

a = randn + 1i*randn
a = 0.5377 + 1.8339i
打开实时脚本

保存随机数生成器的当前状态并创建一个由随机数组成的 1×5 向量。 

s = rng;
r = randn(1,5)
r = 1×5

    0.5377    1.8339   -2.2588    0.8622    0.3188

将随机数生成器的状态恢复为 s，然后创建一个由随机数组成的新 1×5 向量。值与之前相同。 

rng(s);
r1 = randn(1,5)
r1 = 1×5

    0.5377    1.8339   -2.2588    0.8622    0.3188

始终使用 rng函数（而不是 rand 或 randn 函数）指定随机数生成器的设置。有关详细信息，请参阅 更换不推荐的 rand 和 randn 语法。

打开实时脚本

创建一个由随机数组成的 3×2×3 数组。 

X = randn([3,2,3])
X = 
X(:,:,1) =

    0.5377    0.8622
    1.8339    0.3188
   -2.2588   -1.3077


X(:,:,2) =

   -0.4336    2.7694
    0.3426   -1.3499
    3.5784    3.0349


X(:,:,3) =

    0.7254   -0.2050
   -0.0631   -0.1241
    0.7147    1.4897
打开实时脚本

创建一个由其元素为单精度值的随机数组成的 1×4 向量。 

r = randn(1,4,'single')
r = 1x4 single row vector

    0.5377    1.8339   -2.2588    0.8622


class(r)
ans = 
'single'
打开实时脚本

创建一个由正态分布的随机数组成并且大小与现有数组相同的矩阵。 

A = [3 2; -2 1];
sz = size(A);
X = randn(sz)
X = 2×2

    0.5377   -2.2588
    1.8339    0.8622

它是一种将前两行代码合并成一行的常见模式： 

X = randn(size(A));
打开实时脚本

创建一个由单精度随机数组成的 2×2 矩阵。 

p = single([3 2; -2 1]);

创建一个与 p 具有相同大小和数据类型的由随机数组成的数组。 

X = randn(size(p),'like',p)
X = 2x2 single matrix

    0.5377   -2.2588
    1.8339    0.8622


class(X)
ans = 
'single'

如果您拥有 Parallel Computing Toolbox™，请创建一个由 single 基础数据类型的随机数组成的 1000×1000 分布式数组。对于 distributed 数据类型，'like' 语法除了克隆主数据类型，还克隆基础数据类型。

p = randn(1000,'single','distributed');
Starting parallel pool (parpool) using the 'local' profile ...
connected to 6 workers.

创建一个与 p 具有相同大小、主数据类型和基础数据类型的由随机数组成的数组。

X = randn(size(p),'like',p);
class(X)
ans =

distributed
classUnderlying(X)
ans =
single

输入参数

全部折叠

方阵的大小，指定为整数值。

  • 如果 n 为 0，则 X 为一个空矩阵。

  • 如果 n 为负数，则将其视为 0。

数据类型： single | double | int8 | int16 | int32 | int64 | uint8 | uint16 | uint32 | uint64

每个维度的大小，指定为包含整数值的单独参数。

  • 如果任何维度的大小为 0，则 X 为空数组。

  • 如果任何维度的大小为负值，则其将被视为 0。

  • 对于第二个维度以上的维度，randn 忽略大小为 1 的尾部维度。例如，randn(3,1,1,1) 生成由随机数组成的 3×1 向量。

数据类型： single | double | int8 | int16 | int32 | int64 | uint8 | uint16 | uint32 | uint64

每个维度的大小，指定为由整数组成的行向量。此向量的每个元素指示对应维度的大小：

  • 如果任何维度的大小为 0，则 X 为空数组。

  • 如果任何维度的大小为负值，则其将被视为 0。

  • 对于第二个维度以上的维度，randn 忽略大小为 1 的尾部维度。例如，randn([3,1,1,1]) 生成由随机数组成的 3×1 向量。

示例： sz = [2,3,4] 创建一个 2×3×4 数组。

数据类型： single | double | int8 | int16 | int32 | int64 | uint8 | uint16 | uint32 | uint64

要创建的数据类型（类），指定为 'double'、'single'、、、、、、、、、 或提供 randn 支持的其他类的名称。

示例： randn(5,'single')

要创建的数组的原型，指定为数值数组。

示例： randn(5,'like',p)

数据类型： single | double

提示

  • randn 生成的数字序列由均匀伪随机数生成器的内部设置决定，该生成器是 rand、randi 和 randn 的基础。您可以使用 rng 控制这一共享的随机数生成器。

扩展功能

另请参阅

| | | | | |

主题

在 R2006a 之前推出


MATLAB 文档
支持
Introducing Deep Learning with MATLAB

Introducing Deep Learning with MATLAB

Download ebook