库兰

提供伪随机数发生器（PRNG）和准随机数发生器（QRNG）。请参阅NVIDIA cuRAND。

类 PRNG

类accelerate.cuda.rand.PRNG( *args , **kws )

cuRAND 伪随机数发生器

参数：
  • rndtype – 算法类型。所有可能的值都列为此类的类属性，例如 TEST、DEFAULT、XORWOW、MRG32K3A、MTGP32。
  • 种子- RNG 的种子。
  • offset – 随机数流的偏移量。
  • 流– CUDA 流。

例子：

>>>从 accelerate.cuda 进口 兰德
>>>从 numpy的 进口 空
>>> PRNG  = 兰特。PRNG ( rndtype = rand . PRNG . XORWOW ) 
>>> r  = 空( 10 ) 
>>> prng 。统一( r ) 
>>> r
数组([ ... ])
lognormal( ary , mean , sigma , size=None )
生成采样的浮点随机数
从对数正态分布并填充到ary。
参数：
  • ary – Numpy 数组或 cuda 设备数组。
  • mean – 分布的中心。
  • sigma – 分布的标准偏差。
  • size – 样本数。默认为数组大小。
normal( ary , mean , sigma , size=None )

生成从正态分布采样的浮点随机数并填充到ary中。

参数：
  • ary – Numpy 数组或 cuda 设备数组。
  • mean – 分布的中心。
  • sigma – 分布的标准偏差。
  • size – 样本数。默认为数组大小。
poisson( ary , lmbd , size=None )

生成从泊松分布采样的浮点随机数并填充到 ary。

参数：
  • ary – Numpy 数组或 cuda 设备数组。
  • lmbda – 发行版的 Lambda。
  • size – 样本数。默认为数组大小。
uniform( ary , size=None )
生成采样的浮点随机数
从均匀分布并填充到ary。
参数：
  • ary – Numpy 数组或 cuda 设备数组。
  • size – 样本数。默认为数组大小。
seed

RNG 种子的可变属性

类 QRNG

类accelerate.cuda.rand.QRNG( *args , **kws )

cuRAND 准随机数发生器

参数：
  • rndtype – 算法类型。还控制输出数据类型。所有可能的值都列为此类的类属性，例如 TEST、DEFAULT、SOBOL32、SCRAMBLED_SOBOL32、SOBOL64、SCRAMABLED_SOBOL64。
  • ndim – QRNG的维数。
  • offset – 随机数流的偏移量。
  • 流– CUDA 流。
generate( ary , size=None )

生成 ary 中的准随机数。

参数：
  • ary – Numpy 数组或 cuda 设备数组。
  • 大小——样本数量；默认为数组大小。必须是 ndim 的倍数。
ndim

QRNG 维数的可变属性。

顶级 PRNG 函数

PRNG 方法的简单接口。

笔记

此方法会自动创建一个 PRNG 对象。

accelerate.cuda.rand.uniform( size , dtype=<type 'float'> , device=False )

生成从均匀分布中采样的浮点随机数

参数：
  • size – 样本数。
  • D型- np.float32或np.float64。
  • device – 设置为 True 以返回设备数组或 numpy 数组。
返回：

numpy 数组或设备数组。

 
>>>从 accelerate.cuda 导入 兰特
>>>兰特。统一（大小= 10 ）
数组（[...]）

也可以看看

accelerate.cuda.rand.PRNG.uniform()

accelerate.cuda.rand.normal( mean , sigma , size , dtype=<type 'float'> , device=False )

生成从正态分布采样的浮点随机数

参数：
  • mean – 分布的中心点。
  • sigma – 分布的标准偏差。
  • 大小——样本数。
  • D型- np.float32或np.float64。
  • device – 设置为 True 以返回设备数组或 ndarray。
返回：

numpy 数组或设备数组。

 
>>>从 accelerate.cuda 导入 兰特
>>>兰特。正常（均值= 0 ， 西格玛= 1 ， 大小= 10 ）
数组（[...]）

也可以看看

accelerate.cuda.rand.PRNG.normal()

accelerate.cuda.rand.lognormal( mean , sigma , size , dtype=<type 'float'> , device=False )

生成从对数正态分布采样的浮点随机数。

参数：
  • mean – 分布的中心点。
  • sigma – 分布的标准偏差。
  • size – 样本数。
  • D型- np.float32或np.float64。
  • device – 设置为 True 以返回设备数组或 ndarray。
返回：

numpy 数组或设备数组。

 
>>>从 accelerate.cuda 导入 兰特
>>>兰特。对数正态( mean = 0 ,  sigma = 1 ,  size = 10 ) 
array([...])

也可以看看

accelerate.cuda.rand.PRNG.lognormal()

accelerate.cuda.rand.poisson( lmbd , size , device=False )

生成从泊松分布采样的 int32 随机数。

参数：
  • lmbda – 分布的 Lambda。
  • size – 样本数量
  • device – 设置为 True 以返回设备数组或 ndarray。
返回：

numpy 数组或设备数组。

 
>>>从 accelerate.cuda 导入 兰特
>>>兰特。泊松( lmbd = 1 , 大小= 10 )
数组 ([...], dtype=uint32)

也可以看看

accelerate.cuda.rand.PRNG.poisson()

顶级 QRNG 函数

QRNG 方法的简单接口。

笔记

此方法会自动创建一个 QRNG 对象。

accelerate.cuda.rand.quasi( size , bits=32 , nd=1 , device=False )

使用 SOBOL{bits} RNG 类型生成准随机数。

参数：
  • size – 样本数。
  • bits – 输出元素的位长；例如 32 或 64。
  • nd – 维数。
  • device – 设置为 True 以返回设备数组或 ndarray。
返回：

numpy 数组或设备数组。

 
>>>从 accelerate.cuda 导入 兰特
>>>兰特。准( 10 )
数组([...], dtype=uint32)

也可以看看

accelerate.cuda.rand.QRNG.generate()