uniform_random

paddle.fluid.layers.uniform_random(shape, dtype=’float32’, min=-1.0, max=1.0, seed=0)[源代码]

该OP使用从范围[min,max)内均匀分布采样的随机值初始化一个Tensor。

  1. 示例1:
  2. 给定:
  3. shape=[1,2]
  4. 则输出为:
  5. result=[[0.8505902, 0.8397286]]

参数

  • shape (list|tuple|Variable)-输出Tensor的维度,shape类型支持list,tuple,Variable。如果shape类型是list或者tuple,它的元素可以是整数或者形状为[1]的Tensor,其中整数的数据类型为int,Tensor的数据类型为int32或int64。如果shape的类型是Variable,则是1D的Tensor,Tensor的数据类型为int32或int64。
  • dtype (np.dtype|core.VarDesc.VarType|str,可选) – 输出Tensor的数据类型,支持float32(默认), float64。
  • min (float,可选)-要生成的随机值范围的下限,min包含在范围中。支持的数据类型:float。默认值为-1.0。
  • max (float,可选)-要生成的随机值范围的上限,max不包含在范围中。支持的数据类型:float。默认值为1.0。
  • seed (int,可选)-随机种子,用于生成样本。0表示使用系统生成的种子。注意如果种子不为0,该操作符每次都生成同样的随机数。支持的数据类型:int。默认为 0。

返回

表示一个随机初始化结果的Tensor,该Tensor的数据类型由dtype参数决定,该Tensor的维度由shape参数决定。

返回类型

Variable

抛出异常

  • TypeError: shape的类型应该是list、tuple 或 Variable。

代码示例

  1. import paddle.fluid as fluid
  2. import numpy as np
  3. startup_program = fluid.Program()
  4. train_program = fluid.Program()
  5. with fluid.program_guard(train_program, startup_program):
  6. # example 1:
  7. # attr shape is a list which doesn't contain tensor Variable.
  8. result_1 = fluid.layers.uniform_random(shape=[3, 4])
  9. # example 2:
  10. # attr shape is a list which contains tensor Variable.
  11. dim_1 = fluid.layers.fill_constant([1],"int64",3)
  12. dim_2 = fluid.layers.fill_constant([1],"int32",5)
  13. result_2 = fluid.layers.uniform_random(shape=[dim_1, dim_2])
  14. # example 3:
  15. # attr shape is a Variable, the data type must be int32 or int64
  16. var_shape = fluid.data(name='var_shape', shape=[2], dtype="int64")
  17. result_3 = fluid.layers.uniform_random(var_shape)
  18. var_shape_int32 = fluid.data(name='var_shape_int32', shape=[2], dtype="int32")
  19. result_4 = fluid.layers.uniform_random(var_shape_int32)
  20. shape_1 = np.array([3,4]).astype("int64")
  21. shape_2 = np.array([3,4]).astype("int32")
  22. exe = fluid.Executor(fluid.CPUPlace())
  23. exe.run(startup_program)
  24. outs = exe.run(train_program, feed = {'var_shape':shape_1, 'var_shape_int32':shape_2},
  25. fetch_list=[result_1, result_2, result_3, result_4])