mindspore.ops.RandomGamma

class mindspore.ops.RandomGamma(seed=0, seed2=0)[源代码]

根据概率密度函数分布生成随机正值浮点数x。

说明

  • 随机种子:通过一些复杂的数学算法,可以得到一组有规律的随机数,而随机种子就是这个随机数的初始值。随机种子相同,得到的随机数就不会改变。

  • 全局的随机种子和算子层的随机种子都没设置或都设置为0:完全随机。

  • 全局的随机种子设置了,算子层的随机种子未设置:采用全局的随机种子和0拼接。

  • 全局的随机种子未设置,算子层的随机种子设置了:使用0和算子层的随机种子拼接。

  • 全局的随机种子和算子层的随机种子都设置了:全局的随机种子和算子层的随机种子拼接。

参数:
  • seed (int,可选) - 算子层的随机种子,用于生成随机数。必须是非负的。默认值:0。

  • seed2 (int,可选) - 全局的随机种子,和算子层的随机种子共同决定最终生成的随机数。必须是非负的。默认值:0。

输入:
  • shape (tuple) - 待生成的随机Tensor的shape。只支持常量值。

  • alpha (Tensor) - α为RandomGamma分布的shape parameter,主要决定了曲线的形状。其值必须大于0。数据类型为float32。

输出:

Tensor。shape是输入 shapealpha 相连后的shape。数据类型与 alpha 一致。

异常:
  • TypeError - seedseed2 的数据类型不是int。

  • TypeError - shapealpha 不是Tensor。

  • TypeError - shapealpha 的数据类型不是float32。

  • ValueError - shape 不是常量值。

支持平台:

CPU

样例:

>>> shape = Tensor(np.array([3, 1, 2]), mstype.int32)
>>> alpha = Tensor(np.array([[3, 4], [5, 6]]), mstype.float32)
>>> gamma = ops.RandomGamma(seed=3)
>>> output = gamma(shape, alpha)
>>> result = output.shape
>>> print(result)
(3, 1, 2, 2, 2)