Сравнение кодов Matlab и Numpy для воспроизведения случайных чисел и массивов
Как мы знаем, Numpy - известная библиотека Python для поддержки матричных вычислений в Python, а также большой набор высокоуровневых математических функций для работы с векторными, матричными и тензорными массивами [1]. Matlab - это язык программирования и вычислительная среда, поддерживающая матричные вычисления, построение графиков функций и данных, реализацию алгоритмов, создание интерфейсов и взаимодействие с программами, написанными на других языках [2].
Общей чертой Numpy и Matlab является их широкое использование в матричных вычислениях и численных вычислениях. Однако это не совсем то же самое. В этом посте мы обсудим, как генерировать случайные числа и массивы как в Matlab, так и в Numpy. В частности, мы проводим сравнение между Matlab и Numpy для воспроизведения одних и тех же случайных чисел и массивов.
Случайные числа и массивы
И Matlab, и Numpy могут генерировать случайные числа и массивы в соответствии с определенной командой. Есть две важные концепции:
- Распределение случайных чисел
- Случайное начальное число
Для распределений случайных чисел мы обычно учитываем равномерное распределение и стандартное нормальное (гауссово) распределение. В Numpy мы можем использовать numpy.random.rand для генерации равномерно распределенных случайных чисел. В Matlab мы можем использовать rand для генерации равномерно распределенных случайных чисел. Вот несколько простых примеров:
Numpy в Python:
import numpy as np sample = np.random.rand(2) print(sample)
Результат:
[0.70573498 0.8595017 ]
Матлаб:
sample = rand(1, 2)
Результат:
ans = 0.5390 0.7686
Вышеупомянутые примеры относятся к равномерно распределенным случайным числам. Мы можем генерировать случайные числа, которые соответствуют стандартному нормальному распределению:
- Numpy в Python:
np.random.randn - Matlab:
randn
Можно использовать определенную команду / функцию для генерации случайных чисел в соответствии с одним определенным распределением, но каждый раз, когда мы воспроизводим наши коды, сгенерированное случайное число будет другим. Следовательно, случайное начальное число - еще одна важная концепция, которая позволяет фиксировать случайные числа каждый раз.
Например, следующий код Python:
import numpy as np np.random.seed(10) sample = np.random.rand(2) print(sample)
произвел бы эти случайные числа:
[0.77132064 0.02075195]
В Matlab:
rng(10); sample = rand(1, 2)
у нас есть следующий вывод:
sample = 0.7713 0.0208
Сравнение функций Rand в Numpy и Matlab
И в Numpy, и в Matlab они могут обрабатывать вычисления разных массивов:
- 1-D массив (одномерный массив) относится к вектору.
- Двумерный массив (двумерный массив) относится к матрице.
- Трехмерный массив (трехмерный массив) относится к тензору третьего порядка.
- ……
- n -D массив (n -мерный массив) относится к тензору n -го порядка.
Далее мы попытаемся сгенерировать равномерно распределенные случайные числа в Numpy и Matlab соответственно. Мы также попытаемся сгенерировать одинаковые случайные числа в Numpy и Matlab.
Создание одномерного массива
Чтобы получить одинаковые равномерно распределенные случайные числа в Numpy и Matlab, мы устанавливаем размер вектора равным 4, а случайное начальное число равным 10. Давайте попробуем!
Numpy:
import numpy as np np.random.seed(10) sample = np.random.rand(4) print(sample)
Беги, у нас есть
[0.77132064 0.02075195 0.63364823 0.74880388]
Matlab:
rng(10); sample = rand(1, 4)
Беги, у нас есть
sample =
0.7713 0.0208 0.6336 0.7488
Очевидно, что оба двух сгенерированных случайных вектора одинаковы.
Создание двумерного массива
Сначала мы устанавливаем размер матрицы как 2 на 3, а случайное начальное число - как 10.
Numpy:
import numpy as np np.random.seed(10) sample = np.random.rand(2, 3) print(sample)
Беги, у нас есть
[[0.77132064 0.02075195 0.63364823] [0.74880388 0.49850701 0.22479665]]
Matlab:
rng(10); sample = rand(2, 3)
Беги, у нас есть
sample =
0.7713 0.6336 0.4985
0.0208 0.7488 0.2248
Сгенерированные равномерно распределенные случайные матрицы такие же.
Создание трехмерного массива
Сначала мы устанавливаем размер матрицы как 2 на 3 на 2, а случайное начальное число - как 10.
Numpy:
import numpy as np np.random.seed(10) sample = np.random.rand(2, 3, 2) print(‘sample[:, :, 0] = ‘) print() print(sample[:, :, 0]) print() print(‘sample[:, :, 1] = ‘) print() print(sample[:, :, 1])
Беги, у нас есть
sample[:, :, 0] = [[0.77132064 0.63364823 0.49850701] [0.19806286 0.16911084 0.68535982]] sample[:, :, 1] = [[0.02075195 0.74880388 0.22479665] [0.76053071 0.08833981 0.95339335]]
Matlab:
rng(10); sample = rand(2, 3, 2)
Беги, у нас есть
sample(:,:,1) =
0.7713 0.6336 0.4985
0.0208 0.7488 0.2248
sample(:,:,2) =
0.1981 0.1691 0.6854
0.7605 0.0883 0.9534
Сгенерированные равномерно-распределенные случайные тензоры такие же.
Генерация случайных чисел с нормальным распределением в Numpy и Matlab
Выше Numpy и Matlab могут генерировать одинаковые равномерно распределенные случайные числа, если мы используем одно и то же случайное начальное число. К сожалению, поскольку Numpy и Matlab используют разные преобразования для генерации выборок из стандартного нормального распределения, поэтому нам нужно использовать одно и то же преобразование как в Numpy, так и в Matlab.
На практике все еще можно воспроизвести вывод randn () Matlab так же, как Numpy.
Numpy:
import numpy as np from scipy.stats import norm np.random.seed(10) sample = norm.ppf(np.random.rand(2, 3)) print(sample)
Беги, у нас есть
[[ 0.74320312 -2.03846052 0.34153145] [ 0.67073049 -0.00374237 -0.75609325]]
Матлаб:
rng(10); sample = norminv(rand(2, 3), 0, 1)
Беги, у нас есть
sample =
0.7432 0.3415 -0.0037
-2.0385 0.6707 -0.7561
Сгенерированные случайные матрицы с нормальным распределением такие же.
использованная литература
[1] Numpy в Википедии: https://en.wikipedia.org/wiki/NumPy
[2] Matlab в Википедии: https://en.wikipedia.org/wiki/MATLAB
[3] Логотип Numpy взят с сайта https://commons.wikimedia.org/wiki/File:NumPy_logo_2020.svg
[4] Логотип Matlab взят с сайта https://www.google.com/url?esrc=s&q=&rct=j&sa=U&url=https://1000logos.net/matlab-logo/&ved=2ahUKEwj24b7C7bvzAhUKoXIEHci3AdQQr4kDegdegKQQr4kDegDegQQQr4kDegDegQQR4kDegDeg.
[5] Воспроизведение случайных чисел в Matlab и Python / NumPy. Сайт GitHub: https://github.com/jonasrauber/randn-matlab-python
[6] Можно ли воспроизвести randn () из MATLAB с помощью NumPy? Https://stackoverflow.com/questions/3722138/is-it-possible-to-reproduce-randn-of-matlab-with-numpy
[7] Сравнение кода Matlab и Numpy, использующего генерацию случайных чисел. Https://stackoverflow.com/questions/18486241/comparing-matlab-and-numpy-code-that-uses-random-number-generation
