区别：概率分布（最根本）
| 特性 | torch.rand() |
torch.randn() |
|---|---|---|
| 分布类型 | 均匀分布（Uniform Distribution） | 标准正态分布（Standard Normal Distribution） |
| 数学定义 | 所有值在 [0, 1) 区间内等概率出现 |
均值（μ）= 0，方差（σ²）= 1，呈钟形曲线分布 |
| 数值范围 | 严格落在 [0, 1)（包含0，不包含1） |
理论上 (-∞, +∞)，99.7% 的值落在 [-3, 3] |
| 均值/方差 | 均值≈0.5，方差≈1/12≈0.083 | 均值≈0，方差≈1 |
代码验证分布特性
import torch
# 生成大量样本，验证统计特征（样本数越多越接近理论值）
sample_size = 100000
rand_uniform = torch.rand(sample_size)
rand_normal = torch.randn(sample_size)
# 输出核心统计值
print("=== torch.rand() 均匀分布 ===")
print(f"数值范围：[{rand_uniform.min():.4f}, {rand_uniform.max():.4f}]")
print(f"均值：{rand_uniform.mean():.4f}（理论值0.5）")
print(f"方差：{rand_uniform.var():.4f}（理论值≈0.0833）")
print("\n=== torch.randn() 标准正态分布 ===")
print(f"数值范围：[{rand_normal.min():.4f}, {rand_normal.max():.4f}]")
print(f"均值：{rand_normal.mean():.4f}（理论值0）")
print(f"方差：{rand_normal.var():.4f}（理论值1）")
典型输出：
=== torch.rand() 均匀分布 ===
数值范围：[0.0000, 1.0000]
均值：0.5002（理论值0.5）
方差：0.0833（理论值≈0.0833）
=== torch.randn() 标准正态分布 ===
数值范围：[-4.5678, 4.8901]
均值：0.0012（理论值0）
方差：0.9989（理论值1）
用法与参数区别
两者的函数参数完全一致（*size, dtype=None, device=None, requires_grad=False），用法也完全相同，仅数值分布不同：
# 生成2×3张量，参数用法一致，仅数值分布不同
a = torch.rand(2, 3) # [0,1) 均匀分布
b = torch.randn(2, 3) # 标准正态分布
print("torch.rand() 结果：\n", a)
print("torch.randn() 结果：\n", b)
输出示例：
torch.rand() 结果：
tensor([[0.1234, 0.5678, 0.9012],
[0.3456, 0.7890, 0.2345]])
torch.randn() 结果：
tensor([[-0.2345, 1.5678, -0.8901],
[ 0.4567, -0.7890, 0.1234]])
适用场景（核心区别）
| 场景 | 推荐函数 | 原因 |
|---|---|---|
| 模型权重初始化 | torch.randn() |
正态分布更符合深度学习权重初始化的需求（如线性层/卷积层，避免梯度消失/爆炸） |
| 生成随机掩码/采样 | torch.rand() |
均匀分布的0~1值适合做概率判断（如 rand()>0.5 生成50%概率的掩码） |
| 数据增强（添加噪声） | torch.randn() |
高斯噪声更贴近真实场景，且可通过缩放控制噪声幅度 |
| 简单随机数据生成 | torch.rand() |
0~1的范围直观，无需额外调整即可用于比例/概率类场景 |
| 自定义区间随机数 | torch.rand() |
从 [0,1) 扩展到 [a,b) 更简单（a + (b-a)*rand()） |
场景示例1：权重初始化（randn 首选）
import torch.nn as nn
# 线性层权重初始化：randn 缩放后更合理
weight = nn.Parameter(torch.randn(3, 5) * 0.01) # 缩放避免数值过大
print("权重均值：", weight.mean().item()) # ≈0，适合反向传播
场景示例2：随机掩码（rand 首选）
# 生成50%概率的0/1掩码
batch_size, seq_len = 4, 10
mask = (torch.rand(batch_size, seq_len) > 0.5).float()
print("随机掩码：\n", mask) # 0和1均匀分布
总结
- 核心差异：
torch.rand()是 [0,1) 均匀分布，torch.randn()是 μ=0、σ²=1 的标准正态分布，数值范围和统计特征完全不同。 - 用法差异：参数和调用方式完全一致，仅数值分布不同。
- 场景选择：权重初始化/高斯噪声用
randn()，掩码/概率采样/简单随机数用rand()。