隨機運算

[原始碼]

beta 函數

keras.random.beta(shape, alpha, beta, dtype=None, seed=None)

從 Beta 分佈中抽取樣本。

這些值是從由 alpha 和 beta 參數化的 Beta 分佈中抽取的。

引數

• shape：要生成的隨機值的形狀。
• alpha：浮點數或浮點數陣列，表示第一個參數 alpha。必須可與 beta 和 shape 廣播。
• beta：浮點數或浮點數陣列，表示第二個參數 beta。必須可與 alpha 和 shape 廣播。
• dtype：張量的可選 dtype。僅支援浮點類型。如果未指定，則使用 keras.config.floatx()，預設為 float32，除非您另行配置（透過 keras.config.set_floatx(float_dtype)）。
• seed：可選的 Python 整數或 keras.random.SeedGenerator 的實例。預設情況下，seed 引數為 None，並使用內部全域 keras.random.SeedGenerator。seed 引數可用於確保確定性（可重複）的隨機數生成。請注意，將整數作為 seed 值傳遞將為每次呼叫產生相同的隨機值。為了為重複呼叫產生不同的隨機值，必須提供 keras.random.SeedGenerator 的實例作為 seed 值。關於 JAX 後端的說明：當使用 JAX 後端追蹤函數時，不支援全域 keras.random.SeedGenerator。因此，在追蹤期間，預設值 seed=None 將產生錯誤，並且必須提供 seed 引數。

[原始碼]

binomial 函數

keras.random.binomial(shape, counts, probabilities, dtype=None, seed=None)

從二項式分佈中抽取樣本。

這些值是從具有指定試驗次數和成功機率的二項式分佈中抽取的。

引數

• shape：要生成的隨機值的形狀。
• counts：數字或數字陣列，表示試驗次數。它必須可與 probabilities 廣播。
• probabilities：浮點數或浮點數陣列，表示單個事件的成功機率。它必須可與 counts 廣播。
• dtype：張量的可選 dtype。僅支援浮點類型。如果未指定，則使用 keras.config.floatx()，預設為 float32，除非您另行配置（透過 keras.config.set_floatx(float_dtype)）。
• seed：可選的 Python 整數或 keras.random.SeedGenerator 的實例。預設情況下，seed 引數為 None，並使用內部全域 keras.random.SeedGenerator。seed 引數可用於確保確定性（可重複）的隨機數生成。請注意，將整數作為 seed 值傳遞將為每次呼叫產生相同的隨機值。為了為重複呼叫產生不同的隨機值，必須提供 keras.random.SeedGenerator 的實例作為 seed 值。關於 JAX 後端的說明：當使用 JAX 後端追蹤函數時，不支援全域 keras.random.SeedGenerator。因此，在追蹤期間，預設值 seed=None 將產生錯誤，並且必須提供 seed 引數。

[原始碼]

categorical 函數

keras.random.categorical(logits, num_samples, dtype="int32", seed=None)

從類別分佈中抽取樣本。

此函數將 logits 作為輸入，這是一個形狀為 (batch_size, num_classes) 的 2D 輸入張量。輸入的每一列代表一個類別分佈，其中每個列索引包含給定類別的對數機率。

該函數將輸出一個形狀為 (batch_size, num_samples) 的 2D 張量，其中每一列包含來自 logits 中對應列的樣本。每個列索引包含從輸入分佈中抽取的獨立樣本。

引數

• logits：形狀為 (batch_size, num_classes) 的 2D 張量。每一列應定義一個類別分佈，其中包含所有類別的未正規化對數機率。
• num_samples：整數，要為輸入的每一列抽取的獨立樣本數。這將是輸出張量形狀的第二個維度。
• dtype：輸出張量的可選 dtype。
• seed：可選的 Python 整數或 keras.random.SeedGenerator 的實例。預設情況下，seed 引數為 None，並使用內部全域 keras.random.SeedGenerator。seed 引數可用於確保確定性（可重複）的隨機數生成。請注意，將整數作為 seed 值傳遞將為每次呼叫產生相同的隨機值。為了為重複呼叫產生不同的隨機值，必須提供 keras.random.SeedGenerator 的實例作為 seed 值。關於 JAX 後端的說明：當使用 JAX 後端追蹤函數時，不支援全域 keras.random.SeedGenerator。因此，在追蹤期間，預設值 seed=None 將產生錯誤，並且必須提供 seed 引數。

回傳

一個形狀為 (batch_size, num_samples) 的 2D 張量。

[原始碼]

dropout 函數

keras.random.dropout(inputs, rate, noise_shape=None, seed=None)

[原始碼]

gamma 函數

keras.random.gamma(shape, alpha, dtype=None, seed=None)

從 Gamma 分佈中抽取隨機樣本。

引數

• shape：要生成的隨機值的形狀。
• alpha：浮點數，分佈的參數。
• dtype：張量的可選 dtype。僅支援浮點類型。如果未指定，則使用 keras.config.floatx()，預設為 float32，除非您另行配置（透過 keras.config.set_floatx(float_dtype)）。
• seed：可選的 Python 整數或 keras.random.SeedGenerator 的實例。預設情況下，seed 引數為 None，並使用內部全域 keras.random.SeedGenerator。seed 引數可用於確保確定性（可重複）的隨機數生成。請注意，將整數作為 seed 值傳遞將為每次呼叫產生相同的隨機值。為了為重複呼叫產生不同的隨機值，必須提供 keras.random.SeedGenerator 的實例作為 seed 值。關於 JAX 後端的說明：當使用 JAX 後端追蹤函數時，不支援全域 keras.random.SeedGenerator。因此，在追蹤期間，預設值 seed=None 將產生錯誤，並且必須提供 seed 引數。

[原始碼]

normal 函數

keras.random.normal(shape, mean=0.0, stddev=1.0, dtype=None, seed=None)

從常態（高斯）分佈中抽取隨機樣本。

引數

• shape：要生成的隨機值的形狀。
• mean：浮點數，預設為 0。要生成的隨機值的平均值。
• stddev：浮點數，預設為 1。要生成的隨機值的標準差。
• dtype：張量的可選 dtype。僅支援浮點類型。如果未指定，則使用 keras.config.floatx()，預設為 float32，除非您另行配置（透過 keras.config.set_floatx(float_dtype)）。
• seed：可選的 Python 整數或 keras.random.SeedGenerator 的實例。預設情況下，seed 引數為 None，並使用內部全域 keras.random.SeedGenerator。seed 引數可用於確保確定性（可重複）的隨機數生成。請注意，將整數作為 seed 值傳遞將為每次呼叫產生相同的隨機值。為了為重複呼叫產生不同的隨機值，必須提供 keras.random.SeedGenerator 的實例作為 seed 值。關於 JAX 後端的說明：當使用 JAX 後端追蹤函數時，不支援全域 keras.random.SeedGenerator。因此，在追蹤期間，預設值 seed=None 將產生錯誤，並且必須提供 seed 引數。

[原始碼]

randint 函數

keras.random.randint(shape, minval, maxval, dtype="int32", seed=None)

從均勻分佈中抽取隨機整數。

產生的值遵循 [minval, maxval) 範圍內的均勻分佈。下界 minval 包含在範圍內，而上界 maxval 則不包含。

dtype 必須是整數類型。

引數

• shape：要生成的隨機值的形狀。
• minval：浮點數，預設為 0。要生成的隨機值範圍的下界（包含）。
• maxval：浮點數，預設為 1。要生成的隨機值範圍的上界（不包含）。
• dtype：張量的可選 dtype。僅支援整數類型。如果未指定，則使用 keras.config.floatx()，預設為 float32，除非您另行配置（透過 keras.config.set_floatx(float_dtype)）。
• seed：可選的 Python 整數或 keras.random.SeedGenerator 的實例。預設情況下，seed 引數為 None，並使用內部全域 keras.random.SeedGenerator。seed 引數可用於確保確定性（可重複）的隨機數生成。請注意，將整數作為 seed 值傳遞將為每次呼叫產生相同的隨機值。為了為重複呼叫產生不同的隨機值，必須提供 keras.random.SeedGenerator 的實例作為 seed 值。關於 JAX 後端的說明：當使用 JAX 後端追蹤函數時，不支援全域 keras.random.SeedGenerator。因此，在追蹤期間，預設值 seed=None 將產生錯誤，並且必須提供 seed 引數。

[原始碼]

shuffle 函數

keras.random.shuffle(x, axis=0, seed=None)

沿著軸隨機均勻地打亂張量的元素。

引數

• x：要打亂的張量。
• axis：一個整數，指定要沿其打亂的軸。預設為 0。
• seed：可選的 Python 整數或 keras.random.SeedGenerator 的實例。預設情況下，seed 引數為 None，並使用內部全域 keras.random.SeedGenerator。seed 引數可用於確保確定性（可重複）的隨機數生成。請注意，將整數作為 seed 值傳遞將為每次呼叫產生相同的隨機值。為了為重複呼叫產生不同的隨機值，必須提供 keras.random.SeedGenerator 的實例作為 seed 值。關於 JAX 後端的說明：當使用 JAX 後端追蹤函數時，不支援全域 keras.random.SeedGenerator。因此，在追蹤期間，預設值 seed=None 將產生錯誤，並且必須提供 seed 引數。

[原始碼]

truncated_normal 函數

keras.random.truncated_normal(shape, mean=0.0, stddev=1.0, dtype=None, seed=None)

從截斷常態分佈中抽取樣本。

這些值是從具有指定平均值和標準差的常態分佈中抽取的，並捨棄和重新抽取任何與平均值相差超過兩個標準差的樣本。

引數

• shape：要生成的隨機值的形狀。
• mean：浮點數，預設為 0。要生成的隨機值的平均值。
• stddev：浮點數，預設為 1。要生成的隨機值的標準差。
• dtype：張量的可選 dtype。僅支援浮點類型。如果未指定，則使用 keras.config.floatx()，預設為 float32，除非您另行配置（透過 keras.config.set_floatx(float_dtype)）。
• seed：可選的 Python 整數或 keras.random.SeedGenerator 的實例。預設情況下，seed 引數為 None，並使用內部全域 keras.random.SeedGenerator。seed 引數可用於確保確定性（可重複）的隨機數生成。請注意，將整數作為 seed 值傳遞將為每次呼叫產生相同的隨機值。為了為重複呼叫產生不同的隨機值，必須提供 keras.random.SeedGenerator 的實例作為 seed 值。關於 JAX 後端的說明：當使用 JAX 後端追蹤函數時，不支援全域 keras.random.SeedGenerator。因此，在追蹤期間，預設值 seed=None 將產生錯誤，並且必須提供 seed 引數。

[原始碼]

uniform 函數

keras.random.uniform(shape, minval=0.0, maxval=1.0, dtype=None, seed=None)

從均勻分佈中抽取樣本。

產生的值遵循 [minval, maxval) 範圍內的均勻分佈。下界 minval 包含在範圍內，而上界 maxval 則不包含。

dtype 必須是浮點類型，預設範圍為 [0, 1)。

引數

• shape：要生成的隨機值的形狀。
• minval：浮點數，預設為 0。要生成的隨機值範圍的下界（包含）。
• maxval：浮點數，預設為 1。要生成的隨機值範圍的上界（不包含）。
• dtype：張量的可選 dtype。僅支援浮點類型。如果未指定，則使用 keras.config.floatx()，預設為 float32，除非您另行配置（透過 keras.config.set_floatx(float_dtype)）。
• seed：可選的 Python 整數或 keras.random.SeedGenerator 的實例。預設情況下，seed 引數為 None，並使用內部全域 keras.random.SeedGenerator。seed 引數可用於確保確定性（可重複）的隨機數生成。請注意，將整數作為 seed 值傳遞將為每次呼叫產生相同的隨機值。為了為重複呼叫產生不同的隨機值，必須提供 keras.random.SeedGenerator 的實例作為 seed 值。關於 JAX 後端的說明：當使用 JAX 後端追蹤函數時，不支援全域 keras.random.SeedGenerator。因此，在追蹤期間，預設值 seed=None 將產生錯誤，並且必須提供 seed 引數。