mindspore.ops.uniform
- mindspore.ops.uniform(shape, minval, maxval, seed=None, dtype=mstype.float32)[源代码]
生成服从均匀分布的随机数。
说明
广播后,任意位置上Tensor的最小值都必须小于最大值。
- 参数:
shape (Union[tuple, Tensor]) - 指定输出shape,任意维度的Tensor。
minval (Tensor) - 指定生成随机值的最小值,其数据类型为int32或float32。如果数据类型为int32,则只允许输入一个数字。
maxval (Tensor) - 指定生成随机值的最大值,其数据类型为int32或float32。如果数据类型为int32,则只允许输入一个数字。
seed (int) - 指定随机种子,用于随机数生成器生成伪随机数。随机数为非负数。默认值:
None
(将被视为0)。dtype (mindspore.dtype) - 指定输入的数据类型。如果数据类型为int32,则从离散型均匀分布中生成数值型数据;如果数据类型是float32,则从连续型均匀分布中生成数值型数据。仅支持这两种数据类型。默认值:
mstype.float32
。
- 返回:
Tensor,shape等于输入 shape 与 minval 和 maxval 广播后的shape。数据类型由输入 dtype 决定。
- 异常:
TypeError - shape 不是tuple或Tensor。
TypeError - minval 或 maxval 的数据类型既不是int32,也不是float32,并且 minval 的数据类型与 maxval 的不同。
TypeError - seed 不是int。
TypeError - dtype 既不是int32,也不是float32。
- 支持平台:
GPU
CPU
样例:
>>> from mindspore import Tensor, ops >>> import mindspore >>> import numpy as np >>> # For discrete uniform distribution, only one number is allowed for both minval and maxval: >>> shape = (4, 2) >>> minval = Tensor(1, mindspore.int32) >>> maxval = Tensor(2, mindspore.int32) >>> output = ops.uniform(shape, minval, maxval, seed=5, dtype=mindspore.int32) >>> >>> # For continuous uniform distribution, minval and maxval can be multi-dimentional: >>> shape = (3, 1, 2) >>> minval = Tensor(np.array([[3, 4], [5, 6]]), mindspore.float32) >>> maxval = Tensor([8.0, 10.0], mindspore.float32) >>> output = ops.uniform(shape, minval, maxval, seed=5) >>> result = output.shape >>> print(result) (3, 2, 2)