使用torch.distributionsNormal()生成多维正态分布随机数

torch.distributions.Normal()是PyTorch的概率分布类之一，用于生成服从正态分布的随机数。正态分布（也称为高斯分布）是实际世界中非常常见的一种分布，其概率密度函数是一个钟形曲线。通过使用torch.distributions.Normal()，我们可以生成满足指定均值和标准差的多维正态分布随机数。

下面是一个使用torch.distributions.Normal()生成多维正态分布随机数的例子：

import torch
from torch.distributions import Normal

# 定义均值和标准差
mean = torch.tensor([0.0, 0.0])
stddev = torch.tensor([1.0, 1.0])

# 创建正态分布对象
dist = Normal(mean, stddev)

# 生成随机数
samples = dist.sample(torch.Size([1000]))

# 打印前10个样本
print(samples[:10])

在上面的例子中，我们首先导入了需要的模块和类。然后，我们定义了均值和标准差，这里我们选择了两个维度，并将均值和标准差都设为1.0。接下来，我们使用mean和stddev创建了一个Normal分布对象dist。最后，我们使用dist.sample(torch.Size([1000]))生成了1000个样本。

最后，我们打印了前10个样本，可以看到生成的样本是一个大小为(1000, 2)的张量，其中每行都代表一个样本，每列代表一维。

除了生成多维正态分布随机数之外，torch.distributions.Normal()还提供了其他一些方法。例如，我们可以使用log_prob()方法计算一个张量在正态分布下的对数概率密度值，或者使用entropy()方法计算正态分布的熵。

通过使用torch.distributions.Normal()，我们可以很方便地生成多维正态分布随机数，并且可以利用其提供的其他方法进行更多的概率计算。这在许多机器学习和深度学习任务中都是非常有用的。