在使用PyTorch做實驗時經常會用到生成隨機數Tensor的方法，比如：
torch.rand()
torch.randn()
torch.normal()
torch.linespace()
在很長一段時間裏我都沒有區分這些方法生成的隨機數究竟有什麼不同，由此在做實驗的時候經常會引起一些莫名其妙的麻煩。
所以在此做一個總結，以供大家閱讀區分，不要重蹈我的覆轍。
均勻分佈
torch.rand(*sizes, out=None) → Tensor
返回一個張量，包含了從區間[0, 1)的均勻分佈中抽取的一組隨機數。張量的形狀由參數sizes定義。
參數:
sizes (int…) - 整數序列，定義了輸出張量的形狀
out (Tensor, optinal) - 結果張量
例子：
torch.rand(2, 3)
0.0836 0.6151 0.6958
0.6998 0.2560 0.0139
[torch.FloatTensor of size 2x3]
標準正態分佈
torch.randn(*sizes, out=None) → Tensor
返回一個張量，包含了從標準正態分佈（均值爲0，方差爲1，即高斯白噪聲）中抽取的一組隨機數。張量的形狀由參數sizes定義。
參數:
sizes (int…) - 整數序列，定義了輸出張量的形狀
out (Tensor, optinal) - 結果張量
例子：
torch.randn(2, 3)
0.5419 0.1594 -0.0413
-2.7937 0.9534 0.4561
[torch.FloatTensor of size 2x3]
離散正態分佈
torch.normal(means, std, out=None) → → Tensor
返回一個張量，包含了從指定均值means和標準差std的離散正態分佈中抽取的一組隨機數。
標準差std是一個張量，包含每個輸出元素相關的正態分佈標準差。
參數:
means (float, optional) - 均值
std (Tensor) - 標準差
out (Tensor) - 輸出張量
例子：
torch.normal(mean=0.5, std=torch.arange(1, 6))
-0.1505
-1.2949
-4.4880
-0.5697
-0.8996
[torch.FloatTensor of size 5]
線性間距向量
torch.linspace(start, end, steps=100, out=None) → Tensor
返回一個1維張量，包含在區間start和end上均勻間隔的step個點。
輸出張量的長度由steps決定。
參數：
start (float) - 區間的起始點
end (float) - 區間的終點
steps (int) - 在start和end間生成的樣本數
out (Tensor, optional) - 結果張量
例子：
torch.linspace(3, 10, steps=5)
3.0000
4.7500
6.5000
8.2500
10.0000
[torch.FloatTensor of size 5]