torch.rand(*size, *, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False)

#返回从[0,1)均匀分布中抽取的一组随机数；均匀分布采样；#*sizes指定张量的形状；

torch.randn(*size, *, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False) #返回从标准正态分布中抽取的一组随机数，也即高斯白噪声； 

torch.normal(mean, std, *, generator=None, out=None) → Tensor

返回一个由不同正态分布的随机数组成的张量，其均值和标准差已给出。 

均值是一个张量，它是每个输出元素正态分布的均值；

std是一个张量，它是每个输出元素正态分布的标准差；

均值和标准差的形状不需要匹配，但每个张量的元素总数需要相同。

torch.normal()#返回正态分布；

#采样离散正态分布，相比c于torch.randn，每一个数字都可以来自不同均值和方差的正态分布
#有以下三种形式
torch.normal(mean=0.0, std, out=None) → Tensor  #mean为标量（共用），std为tensor指定shape和每个位置的方差
torch.normal(mean, std=1.0, out=None) → Tensor #std为标量（共用），mean为tensor指定shape和每个位置的均值
torch.normal(mean, std, size, out=None) → Tensor #std和mean都是标量，此时需要size指定shape

randn和normal的区别

虽然randn和normal都可以生成服从正态分布的随机数，但是normal可以自己设定均值和标准差。就这点区别。

torch.randperm(n, out=None, requires_grad=True)#返回从0到n-1的整数的随机排列数

torch.linespace()

#线性间距采样
torch.linspace(start, end, steps=100, out=None) → Tensor
#start起点，end终点，steps点数

torch.randperm()
randperm(n, out=None, dtype=torch.int64)-> LongTensor

#torch中没有random.shuffle

#y = torch.randperm(n) y是把1到n这些数随机打乱得到的一个数字序列，给定参数n，返回一个从[0, n -1) 的随机整数排列。n (int) – 上边界。(不包含)

torch.randint(low=0, high, size, out=None, requires_grad=False)
返回一个张量，该张量填充了在[low,high)均匀生成的随机整数。
张量的形状由可变的参数大小定义。

从离散正态分布中随机抽样
torch.normal(means, std, out=None) → → Tensor

线性间距向量
torch.linspace(start, end, steps=100, out=None) → Tensor

返回一个1维张量，包含在区间start和end上均匀间隔的step个点。

输出张量的长度由steps决定。

torch.Tensor.uniform_()

torch.rand和torch.Tensor.uniform_

这样看到话，两个都能取0-1之间的均匀分布，但是问题在于rand取不到1，uniform_可以取到1。

此外，可参考：

https://blog.csdn.net/u011699626/article/details/112062173