首先看一下一維正太分布的公式：

其中μ為均值，σ為標(biāo)準(zhǔn)差。正太分布的草圖如下圖所示。

再看numpy提供的函數(shù)的參數(shù)：

multivariate_normal(mean, cov, size=None, check_valid=None, tol=None)

在一維正太分布中，第一個(gè)參數(shù)mean就是這里的均值μ，第二個(gè)參數(shù)cov就是方差【公式Cov(X，X)=D(X)，這里只是猜測(cè)】，第三個(gè)參數(shù)size就是生成的正態(tài)分布矩陣的維度

如下圖，均值設(shè)置為3，方差為1，然后取100個(gè)點(diǎn)生成一維矩陣Y來(lái)繪制散點(diǎn)圖，打印出方差接近設(shè)定的值1

可以看到散點(diǎn)圖如下圖，圖中可以看出，100個(gè)散點(diǎn)的均值大致是3(看Y軸)

再看二維正太分布的公式：

這里μ1，μ2分別為變量X，Y的均值；σ1，σ2為分別為變量X，Y的標(biāo)準(zhǔn)差。草圖如下。

再看協(xié)方差的定義，以及協(xié)方差與期望值的關(guān)系

函數(shù)multivariate_normal(mean, cov, size=None, check_valid=None, tol=None)在二維正太分布中，

mean是變量X和Y的均值，它的維度為一維。

cov是一個(gè)協(xié)方差矩陣，它的組成如下，在tensorflow中一般設(shè)置cov(x,y)=cov(y,x)=0

size表示生成的正態(tài)分布矩陣的維度，如size維度為(1,3,2)，那么生成的正太分布矩陣維度為:1*3*2*len(mean)

其他幾個(gè)參數(shù)見(jiàn)鏈接

接著設(shè)置mean=[3，0]，cov=diag(1，1)，使用300個(gè)點(diǎn)繪制散點(diǎn)圖，打印出X和Y的方差均接近于設(shè)定的值1

可以看到散點(diǎn)圖中，X和Y的均值大致上分別是3和0

可依此類推至多維正太分布中。

由于初學(xué)深度學(xué)習(xí)，也是費(fèi)了一番功夫百度找到一些資料，再加上代碼驗(yàn)證所寫，難免會(huì)有各種錯(cuò)誤。錯(cuò)誤之處還請(qǐng)指出，謝謝。

總結(jié)

以上是生活随笔為你收集整理的python中不具备np_Python中np.random.multivariate_normal问题？的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。