在機器學習和神經網絡中，常常會利用Numpy庫中的隨機函數來生產隨機數，比如隨機初始化神經網絡中的參數權重W（備註：W是不能全部初始化爲0的，這樣會引起symmetry breaking problem，這樣隱藏層設置多個神經元就沒有任何意義了）。
在Numpy庫中，常用使用np.random.rand()、np.random.randn()和np.random.randint()隨機函數。這幾個函數的區別如下：
（1）np.random.randn()函數
語法：
np.random.randn(d0,d1,d2……dn)
1)當函數括號內沒有參數時，則返回一個浮點數；
2）當函數括號內有一個參數時，則返回秩爲1的數組，不能表示向量和矩陣；
3）當函數括號內有兩個及以上參數時，則返回對應維度的數組，能表示向量或矩陣；
4）np.random.standard_normal（）函數與np.random.randn()類似，但是np.random.standard_normal（）的輸入參數爲元組（tuple）.
5)np.random.randn()的輸入通常爲整數，但是如果爲浮點數，則會自動直接截斷轉換爲整數。
作用：
通過本函數可以返回一個或一組服從標準正態分佈的隨機樣本值。
特點：
標準正態分佈是以0爲均數、以1爲標準差的正態分佈，記爲N（0，1）。對應的正態分佈曲線如下所示，即
標準正態分佈曲線下面積分布規律是：
在-1.96～+1.96範圍內曲線下的面積等於0.9500（即取值在這個範圍的概率爲95%），在-2.58～+2.58範圍內曲線下面積爲0.9900（即取值在這個範圍的概率爲99%）.
因此，由 np.random.randn()函數所產生的隨機樣本基本上取值主要在-1.96~+1.96之間，當然也不排除存在較大值的情形，只是概率較小而已。
用例：
應用場景：
在神經網絡構建中，權重參數W通常採用該函數進行初始化，當然需要注意的是，通常會在生成的矩陣後面乘以小數，比如0.01，目的是爲了提高梯度下降算法的收斂速度。
W = np.random.randn(2,2)*0.01
（2） np.random.rand()函數
語法：
np.random.rand(d0,d1,d2……dn)
注：使用方法與np.random.randn()函數相同
作用：
通過本函數可以返回一個或一組服從“0~1”均勻分佈的隨機樣本值。隨機樣本取值範圍是[0,1)，不包括1。
應用：在深度學習的Dropout正則化方法中，可以用於生成dropout隨機向量（dl），例如（keep_prob表示保留神經元的比例）：dl = np.random.rand(al.shape[0],al.shape[1]) < keep_prob
用例：
（3） np.random.randint()函數
語法：
numpy.random.randint(low, high=None, size=None, dtype=’l’)
輸入：
low—–爲最小值
high—-爲最大值
size—–爲數組維度大小
dtype—爲數據類型，默認的數據類型是np.int。
返回值：
返回隨機整數或整型數組，範圍區間爲[low,high），包含low，不包含high；
high沒有填寫時，默認生成隨機數的範圍是[0，low）
用例：
