正態分佈（Normal distribution），也稱“常態分佈”，又名高斯分佈（Gaussian distribution）。

正態曲線呈鍾型，兩頭低，中間高，左右對稱因其曲線呈鐘形，因此人們又經常稱之為鐘形曲線。

在TF中會大量使用到正態分佈，熟練的使用它，也是使用TF的基本功之一。下面來看一下在Python中如何使用。

一維正態分佈

正態分佈公式.PNG

用numpy來獲取一個標準正態分佈的樣例

num = 100000mu = 0sigma = 1s = np.random.normal(mu, sigma, num)

一維正太分佈如上面定義所說，正如一個“鐘形”

標準正太分佈.png

或者如下兩者

s = sigma * np.random.randn(num) + mu

和

s = sigma * np.random.standard_normal(num) + mu

效果都如之前的圖片

mu控制函式中心位置左右移動，如下mu=6的場景

mu=6.png

sigma=10的場景

sigma=10.png

可見，mu為正數，函式曲線向右移動，反之，向左移動；sigma越大，分佈越寬；sigma越小分佈越窄。

記住這個特性，在獲取一維正太分佈資料時很有幫助。

二維正太分佈

二維正太分佈的公式如下，

二維正態分佈公式.PNG

二維正太分佈使用不一樣的numpy函式，multivariate_normal

num = 40000mean = np.array([0,0])
cov = np.eye(2)
ms = np.random.multivariate_normal(mean, cov, num)

二維標準正太分佈如下，不在是一個“鍾”，而像一個“圓”

二維標準正太分佈.png

這裡的引數也有變化。
mean表示二維陣列每一維的均值；是一個（1，2）矩陣。
cov表示二維陣列的；是一個（2，2）矩陣。

可以看出來mean是圓的圓點，那麼是不是改變了mean，圓就會發生移動呢？ 我們試一下。

num = 40000mean = np.array([4,8])
cov = np.eye(2)
ms = np.random.multivariate_normal(mean, cov, num)

圓心在(4,8).png

那麼cov也透過實驗來看一下，

num = 40000mean = np.array([0,0])
cov = np.array([[5,0],[0,1]])
ms = np.random.multivariate_normal(mean, cov, num)

[[5,0],[0,1]]

作者：安安爸Chris
連結：