Numpy 伯努利随机数发生器

我无法理解numpy中使用的伯努利随机数生成器是如何计算的，我想对此进行一些解释。例如：

np.random.binomial(size=3, n=1, p= 0.5)

Results:
[1 0 0]

n=路径数

p=发生概率

大小=实验数量

如何确定“0”或“1”的生成数/结果

=============================================更新==================================

我创建了一个受限的Boltzmann机器，它总是显示相同的结果，尽管在多次代码执行时是“随机的”。随机化是使用

np.random.seed（10）

---

一个二元分布的随机变量有两个参数

n

和

p

，可以被认为是当掷一枚有偏硬币

n

次时获得的磁头数的分布，其中每次掷硬币时获得磁头的概率为

p

。（更正式地说，它是具有参数

p

的独立贝努利随机变量的总和）

例如，如果

n=10

和

p=0.5

，可以通过将一枚普通硬币翻转10次，并将硬币落在头部的次数相加，模拟从

Bin（10，0.5）

取款

除了上述

n

和

p

参数外，

np.random.binomial

还有一个额外的

size

参数。如果

size=1

，

np.random.binomial

从二项分布计算一次抽签。如果某个整数

k

的

size=k

，则将计算来自相同二项分布的

k

独立绘图

size

也可以是一个索引数组，在这种情况下，具有给定

size

的整个

np.数组

将由二项分布的独立绘图填充

请注意，二项分布是伯努利分布的推广-在

n=1

的情况下，

Bin（n，p）

具有与

Ber（p）

相同的分布

有关二项分布的更多信息，请参见：

---

我在问算法是如何产生数字的35分钟前的白宫

非技术性解释 如果将

n=1

传递给二项分布，则它相当于伯努利分布。在这种情况下，该功能可以被认为是模拟硬币的投掷

size=3

告诉它将硬币翻转三次，并且

p=0.5

使其成为头部（1）或尾部（0）概率相等的公平硬币

[1 0]

的结果意味着硬币头朝下落下一次，尾巴朝上落下两次。这是随机的，因此再次运行它将导致不同的序列，如

[1 1 0]

，

[0 1 0]

，甚至可能是

[1 1 1]

。虽然您无法在三次运行中获得相同数量的1和0，但平均而言，您将获得相同数量的1和0

技术说明 Numpy在C语言中实现了随机数生成。可以找到二项式分布的源代码。实际上实现了两种不同的算法

• 如果

  n*p30

  则使用（Kachitvichyanukul和Schmeiser 1988）的BTPE算法。（该出版物是。）

---

我认为这两种方法，当然是逆变换采样，都依赖于随机数生成器来产生均匀分布的随机数。Numpy在内部使用伪随机数生成器。然后将均匀随机数转换为所需的分布

我不明白这个问题。请你重新措辞/详细说明一下好吗？@kazemakase当我使用函数

np.random.binomial（size=3，n=1，p=0.5）

我得到了结果

[1 0]

。但是，我不明白numpy是如何得到结果的，我想得到一个解释。你是在问生成数字的算法是如何工作的，还是结果与输入参数有什么关系？我是在问生成数字的算法是如何工作的。随着更新，这实际上是一个新问题。你应该考虑把这个问题作为一个单独的问题，除非你想使现有的答案无效。进一步提示：显示所有相关代码。输出指示迭代，但代码中没有迭代的迹象。看到在同一个上下文中提到的单词seed、iter和相同的结果，我的脑海里响起了一个警报：）（在循环中重新播种？）。因此，请准确地说明您是如何反复调用

二项式

函数的，以及种子植入的确切位置。哦，我明白了，有一刻我认为有一种方法可以准确地确定/计算这些值。实际上，我创建了一个受限玻尔兹曼机器，使用

np.random.binomial

得到的值总是一样的。我已经更新了这个问题，希望你能看看。

import numpy as np

np.random.seed(10)

def sigmoid(u):
    return 1/(1+np.exp(-u))

def gibbs_vhv(W, hbias, vbias, x):
    f_s = sigmoid(np.dot(x, W) + hbias)
    h_sample = np.random.binomial(size=f_s.shape, n=1, p=f_s)

    f_u = sigmoid(np.dot(h_sample, W.transpose())+vbias)
    v_sample = np.random.binomial(size=f_u.shape, n=1, p=f_u)
    return [f_s, h_sample, f_u, v_sample]

def reconstruction_error(f_u, x):
    cross_entropy = -np.mean(
        np.sum(
            x * np.log(sigmoid(f_u)) + (1 - x) * np.log(1 - sigmoid(f_u)),
            axis=1))
    return cross_entropy


X = np.array([[1, 0, 0, 0]])

#Weight to hidden
W = np.array([[-3.85, 10.14, 1.16],
              [6.69, 2.84, -7.73],
              [1.37, 10.76, -3.98],
              [-6.18, -5.89, 8.29]])

hbias = np.array([1.04, -4.48, 2.50]) #<= 3 bias for 3 neuron in hidden
vbias = np.array([-6.33, -1.68, -1.25, 3.45]) #<= 4 bias for 4 neuron in input


k = 2
v_sample = X
for i in range(k):
    [f_s, h_sample, f_u, v_sample] = gibbs_vhv(W, hbias, vbias, v_sample)
    start = v_sample
    if i < 2:
        print('f_s:', f_s)
        print('h_sample:', h_sample)
        print('f_u:', f_u)
        print('v_sample:', v_sample)
    print(v_sample)
    print('iter:', i, ' h:', h_sample, ' x:', v_sample, ' entropy:%.3f'%reconstruction_error(f_u, v_sample))

[[1 0 0 0]]
f_s: [[ 0.05678618  0.99652957  0.97491304]]
h_sample: [[0 1 1]]
f_u: [[ 0.99310473  0.00139984  0.99604968  0.99712837]]
v_sample: [[1 0 1 1]]
[[1 0 1 1]]
iter: 0  h: [[0 1 1]]  x: [[1 0 1 1]]  entropy:1.637

f_s: [[  4.90301318e-04   9.99973278e-01   9.99654440e-01]]
h_sample: [[0 1 1]]
f_u: [[ 0.99310473  0.00139984  0.99604968  0.99712837]]
v_sample: [[1 0 1 1]]
[[1 0 1 1]]
iter: 1  h: [[0 1 1]]  x: [[1 0 1 1]]  entropy:1.637