np.random.normal()与 np.matmul()与numpy.random.choice

np.random.normal()

np.random.normal()的意思是一个正态分布，normal这里是正态的意思。我在看孪生网络的时候看到这样的一个例子：

numpy.random.normal(loc=0,scale=1e-2,size=shape) ，意义如下：
**参数loc(float)：**正态分布的均值，对应着这个分布的中心。loc=0说明这一个以Y轴为对称轴的正态分布，
**参数scale(float)：**正态分布的标准差，对应分布的宽度，scale越大，正态分布的曲线越矮胖，scale越小，曲线越高瘦。
**参数size(int 或者整数元组)：**输出的值赋在shape里，默认为None。

# shape[0]与shape[1]含义释疑
import numpy as np
k = np.matrix([1, 2, 3, 4], )
print(np.shape(k))       # 输出（3，4）表示矩阵为3行4列
print(k.shape[0])        # shape[0]输出3，为矩阵的行数
print(k.shape[1])        # 同理shape[1]输出列数


# 举例,分别输出的是数组和数字
sigma = 0.1
X = np.matrix([1, 2, 3, 4],)
scalingFactor1 = np.random.normal(loc=1.0, scale=sigma, size=(1, X.shape[1]))
scalingFactor2 = np.random.normal(loc=1.0, scale=sigma, size=(1))
print(scalingFactor1)
print(scalingFactor2)

矩阵的乘法运算 np.matmul()和@

matmul是matrix multiply的缩写，所以即是专门用于矩阵乘法的函数。
另外，@运算方法和matmul()则是一样的作用，相当于简便写法。

A = np.array([[1,2,3],
              [4,5,6]])

B = np.array([[1,2],
              [3,4],
              [5,6]])

print(np.matmul(A, B))
print(A @ B)

numpy中的ones()函数

ones()返回一个全1的n维数组，有三个参数：
shape（用来指定返回数组的大小）、
dtype（数组元素的类型）、
order（是否以内存中的C或Fortran连续（行或列）顺序存储多维数据）。
后两个参数都是可选的，一般只需设定第一个参数。和zeros一样

k = np.matrix([[1, 2, 3, 4],
             [1, 2, 3, 4]])
a = np.ones(k.shape[0])
b = np.ones((k.shape[0],1))
print(a)
print(b)

汇总举例，与源码中的scaling对应

sigma = 0.1
k = np.matrix([[1, 2, 3, 4],
             [5, 6, 7, 8],
             [9, 10, 11, 12]])
scalingFactor = np.random.normal(loc=1.0, scale=sigma, size=(3, k.shape[1]))
chengzi = np.ones((k.shape[0], 3))
myNoise = np.matmul(chengzi, scalingFactor)
print(scalingFactor)
print(chengzi)
print(myNoise)

numpy.random.choice(a, size=None, replace=True, p=None)

从a(只要是ndarray都可以，但必须是一维的)中随机抽取数字，并组成指定大小(size)的数组
**参数replace，**用来设置是否可以取相同元素，True表示可以取相同数字；False表示不可以取相同数字。默认是True
**参数p，**p实际是个数组，大小（size）应该与指定的a相同，用来规定选取a中每个元素的概率，默认为概率相同

interval = 20
sig = np.matrix([[2.97,2.99,2.90,2.96],
            [2.97,2.99,2.90,2.96],
           [2.97,2.99,2.90,2.96]])
for col in range(sig.shape[1]):
    offset = np.random.choice(range(-interval, interval))
    print(col,offset/1000 )
    sig[:, col] += offset / 1000 
print(sig)