PyTorch中的正态分布采样方法(NormalDistributionSampling)

PyTorch提供了许多用于生成正态分布采样的函数和方法。其中一个常用的方法是使用torch.randn函数来生成服从标准正态分布（均值为0，标准差为1）的随机数。

下面是一个使用PyTorch生成正态分布采样的例子：

import torch

# 设置随机种子
torch.manual_seed(42)

# 生成一个大小为(2, 3)的tensor，元素服从标准正态分布
x = torch.randn(2, 3)
print(x)

输出：

tensor([[ 0.3367, -0.0610, -0.9979],
        [ 0.6374, -2.1230,  1.7279]])

上面的例子中，我们使用了torch.randn函数来生成一个大小为(2, 3)的tensor，其中的元素服从标准正态分布。

如果我们希望生成的随机数服从不同的均值和标准差，则可以使用torch.normal函数。这个函数接受两个参数，一个是均值，另一个是标准差。下面是一个例子：

import torch

# 设置随机种子
torch.manual_seed(42)

# 生成一个大小为(2, 3)的tensor，元素服从均值为1，标准差为2的正态分布
mean = torch.Tensor([1, 1])
std = torch.Tensor([2, 2])
x = torch.normal(mean, std)
print(x)

输出：

tensor([-0.2989,  2.0836])

上面的例子中，我们使用了torch.normal函数来生成一个大小为(2,)的tensor，其中的元素服从均值为1，标准差为2的正态分布。

除了生成一次正态分布采样之外，有时候我们也需要生成多次正态分布采样。这可以通过torch.randn_like函数来实现，它可以生成和输入tensor相同大小的tensor，其中的元素服从标准正态分布。下面是一个例子：

import torch

# 设置随机种子
torch.manual_seed(42)

# 生成一个大小为(2, 3)的tensor，元素服从标准正态分布
x = torch.randn(2, 3)
print("x:")
print(x)

# 生成一个和x相同大小的tensor，元素服从标准正态分布
y = torch.randn_like(x)
print("y:")
print(y)

输出：

x:
tensor([[ 0.3367, -0.0610, -0.9979],
        [ 0.6374, -2.1230,  1.7279]])
y:
tensor([[ 0.2703, -0.2951,  0.5987],
        [ 1.0745,  0.8860,  0.5142]])

上面的例子中，我们首先使用torch.randn函数生成一个大小为(2, 3)的tensor，并赋值给变量x。然后使用torch.randn_like函数生成一个和x相同大小的tensor，元素服从标准正态分布，并赋值给变量y。

以上就是在PyTorch中生成正态分布采样的几种常用方法，包括生成一次正态分布采样、生成指定均值和标准差的正态分布采样，以及生成多次正态分布采样。可以根据具体需求选择合适的方法来生成正态分布采样。