1. 函數原型： numpy.random.uniform(low,high,size)
功能：從一個均勻分佈[low,high)中隨機採樣，注意定義域是左閉右開，即包含low，不包含high.
參數介紹:
low: 採樣下界，float類型，默認值爲0；
high: 採樣上界，float類型，默認值爲1；
size: 輸出樣本數目，爲int或元組(tuple)類型，例如，size=(m,n,k), 則輸出m*n*k個樣本，缺省時輸出1個值。
返回值：ndarray類型，其形狀和參數size中描述一致。
這裏順便說下ndarray類型，表示一個N維數組對象，其有一個shape（表維度大小）和dtype（說明數組數據類型的對象），使用zeros和ones函數可以創建數據全0或全1的數組，原型：
numpy.ones(shape,dtype=None,order='C'),
其中，shape表數組形狀（m*n）,dtype表類型,order表是以C還是fortran形式存放數據。
2. 類似uniform,還有以下隨機數產生函數：
a. randint: 原型：numpy.random.randint(low, high=None, size=None, dtype='l')，產生隨機整數；
b. random_integers: 原型： numpy.random.random_integers(low, high=None, size=None)，在閉區間上產生隨機整數；
c. random_sample: 原型： numpy.random.random_sample(size=None)，在[0.0,1.0)上隨機採樣；
d. random: 原型： numpy.random.random(size=None)，和random_sample一樣，是random_sample的別名；
e. rand: 原型： numpy.random.rand(d0, d1, ..., dn)，產生d0 - d1 - ... - dn形狀的在[0,1)上均勻分佈的float型數。
f. randn: 原型：numpy.random.randn（d0,d1,...,dn),產生d0 - d1 - ... - dn形狀的標準正態分佈的float型數。
3. Examples：
例一： “畫柱狀圖”
# -*- coding: utf-8 -*-
import matplotlib.pyplot as plt
import numpy as np
s = np.random.uniform(0,1,1200) # 產生1200個[0,1)的數
count, bins, ignored = plt.hist(s, 12, normed=True)
"""
hist原型：
matplotlib.pyplot.hist(x, bins=10, range=None, normed=False, weights=None,
cumulative=False, bottom=None, histtype='bar', align='mid',
orientation='vertical',rwidth=None, log=False, color=None, label=None,
stacked=False, hold=None,data=None,**kwargs)
輸入參數很多，具體查看matplotlib.org,本例中用到3個參數，分別表示：s數據源，bins=12表示bin
的個數，即畫多少條條狀圖，normed表示是否歸一化，每條條狀圖y座標爲n/(len(x)`dbin),整個條狀圖積分值爲1
輸出：count表示數組，長度爲bins，裏面保存的是每個條狀圖的縱座標值
bins:數組，長度爲bins+1,裏面保存的是所有條狀圖的橫座標，即邊緣位置
ignored: patches，即附加參數，列表或列表的列表，本例中沒有用到。
"""
plt.plot(bins, np.ones_like(bins), linewidth=2, color='r')
plt.show()繪製結果如下圖：
例二： “畫正態分佈柱狀圖”
# -*- coding: utf-8 -*-
import matplotlib.pyplot as plt
import numpy as np
import matplotlib.mlab as MLA
mu, sigma = 10, 10
x = mu + sigma*np.random.randn(5000)
# the histogram of the data
n, bins, patches = plt.hist(x, 20, normed=1, facecolor='blue', alpha=0.8)
# add a 'best fit' line
y = MLA.normpdf( bins, mu, sigma)
"""
normpdf函數原型：
matplotlib.mlab.normpdf(x, *args)
功能：Return the normal pdf evaluated at x; args provides mu, sigma
"""
l = plt.plot(bins, y, 'g--', linewidth=3)
plt.xlabel('samples')
plt.ylabel('p')
plt.title(r'$Normal\ pdf\ m=10,\ \sigma=10$')
plt.axis([-30, 50, 0, 0.042])
plt.grid(True)
plt.show(）結果如下圖：
4. numpy.random.RandomState介紹：
英文簡介：“Container for the Mersenne Twister pseudo-random number generator.” 翻譯過來爲：
它是一個容器，用來存儲採用梅森旋轉產生僞隨機數的算法。
輸入參數：seed，可選項{None, int, array_like}，沒有給定的話，函數隨機選一個起始點，
這樣深度學習的結果可能接近，但不完全相同，如果給定一個seed，則結果是deterministic，
是確定的，但給定不給定seed對輸出隨機數並沒有影響，只是相當於給定了一個初始點，後面
的數也是基於這個seed而產生。
Reference:
1. http://docs.scipy.org/doc/numpy/reference/generated/numpy.random.uniform.html
2. http://stackoverflow.com/questions/33209865/the-usage-of-randomstate-in-numpy
-related-to-seed