In welcher Python-Version ist das Zufallsmodul enthalten?
Das Zufallsmodul wird zum Generieren von Pseudozufallszahlen verwendet. Speicherort des Quellcodes: Lib/random.py
Die wahre Zufallszahl (oder das Zufallsereignis) verhält sich gemäß dem experimentellen Prozess während eines bestimmten Generierungsprozesses . Verteilungswahrscheinlichkeiten werden zufällig generiert und die Ergebnisse sind unvorhersehbar und unsichtbar. Die Zufallsfunktion im Computer wird nach einem bestimmten Algorithmus simuliert und das Ergebnis ist sicher und sichtbar. Wir können davon ausgehen, dass die Wahrscheinlichkeit dieses vorhersehbaren Ergebnisses 100 % beträgt. Daher sind die von der Computer-Zufallsfunktion generierten „Zufallszahlen“ keine Zufallszahlen, sondern Pseudozufallszahlen.
Die Pseudozufallszahl des Computers ist ein Wert, der durch einen Zufallsstartwert nach einer bestimmten Berechnungsmethode berechnet wird. Solange die Berechnungsmethode sicher ist und der Zufallsstartwert sicher ist, sind die generierten Zufallszahlen daher fest.
Solange der Benutzer oder Dritte den Zufallsstartwert nicht festlegt, kommt der Zufallsstartwert standardmäßig von der Systemuhr.
Diese Python-Bibliothek verwendet im Grunde einen gemeinsamen Algorithmus. Nach einer langen Testphase kann nicht gesagt werden, dass sie zuverlässig ist, sie darf jedoch nicht für passwortbezogene Funktionen verwendet werden.
1. Grundlegende Methode
random.seed(a=None, version=2)
Initialisieren Sie den Pseudozufallszahlengenerator. Wenn a nicht angegeben ist oder a=None, wird die Systemzeit als Startwert verwendet. Wenn a eine Ganzzahl ist, wird sie als Startwert verwendet.
random.getstate()
Gibt ein Objekt des internen Zustands des aktuellen Generators zurück
random.setstate(state)
Übergeben Sie einen vorherigen ausnutzen Das von der getstate-Methode erhaltene Statusobjekt stellt den Generator in diesem Status wieder her.
random.getrandbits(k)
Gibt eine Python-Ganzzahl (Dezimalzahl) zurück, die nicht größer als K Bits ist. Das Ergebnis ist beispielsweise eine Ganzzahl zwischen 0 und 2^10.
2. Methoden für ganze Zahlen
random.randrange(stop) random.randrange(start, stop[, step])
ist äquivalent zu choice(range(start, stop, step)), erstellt aber eigentlich kein Bereichsobjekt.
random.randint(a, b)
Gibt eine zufällige Ganzzahl N mit a <= N <= b zurück. Äquivalent zu randrange(a, b+1)
3. Methoden für Sequenzklassenstrukturen
random.choice(seq)
von nicht zufällig Wählen Sie ein Element aus der leeren Sequenz seq aus. Wenn seq leer ist, wird eine IndexError-Ausnahme angezeigt.
random.choices(population,weights=None, *, cum_weights=None, k=1)
Neu in Version 3.6. K-Elemente werden zufällig aus dem Populationscluster ausgewählt. Weights ist eine relative Gewichtsliste, cum_weights ist das kumulative Gewicht und die beiden Parameter können nicht gleichzeitig existieren.
random.shuffle(x[, random])
Mische zufällig die Reihenfolge der Elemente in Sequenz x. Es kann nur für veränderliche Sequenzen verwendet werden. Für unveränderliche Sequenzen verwenden Sie bitte die unten stehende Methode sample().
random.sample(population, k)
K einzigartige Elemente zufällig aus der Populationsstichprobe extrahieren oder festlegen, um eine neue Sequenz zu bilden. Wird oft für Zufallsstichproben ohne Wiederholung verwendet. Was zurückgegeben wird, ist eine neue Sequenz, ohne die ursprüngliche Sequenz zu zerstören. Um zufällig eine bestimmte Anzahl von Ganzzahlen aus einem Ganzzahlbereich zu ziehen, verwenden Sie eine Methode wie sample(range(10000000), k=60), die sehr effizient und platzsparend ist. Wenn k größer als die Länge der Population ist, wird eine ValueError-Ausnahme angezeigt.
4. Wahre Wertverteilung
Die hochwertigste Funktion des Zufallsmoduls ist tatsächlich hier.
random.random()
Gibt eine Gleitkommazahl zwischen links geschlossen und rechts offen zurück [0.0, 1.0)
random.uniform(a, b)
Gibt eine Gleitkommazahl zwischen a und b zurück. Wenn a>b, handelt es sich um eine Gleitkommazahl zwischen b und a. Sowohl a als auch b können hier im Ergebnis erscheinen.
random.triangular(low, high, mode)
Gibt eine Zufallszahl aus der Dreiecksverteilung mit low <= N <=high zurück. Der Parameter mode gibt die Position an, an der der Modus erscheint.
random.betavariate(alpha, beta)
β-Verteilung. Das zurückgegebene Ergebnis liegt zwischen 0 und 1
random.expovariate(lambd)
Exponentialverteilung
random.gammavariate(alpha, beta)
gamma Horse Verteilung
random.gauss(mu, sigma)
Gaußsche Verteilung
random.lognormvariate(mu, sigma)
Lognormalverteilung
random.normalvariate(mu, sigma)
Normalverteilung
random.vonmisesvariate(mu, kappa)
Kappa-Verteilung
random.paretovariate(alpha )
Pareto-Verteilung
random.weibullvariate(alpha, beta)
5. Optionale Generatoren
class random.SystemRandom( [seed])
Eine Klasse, die die Methode os.urandom() verwendet, um Zufallszahlen zu generieren. Der Quellcode wird möglicherweise nicht von allen Systemen unterstützt
Das obige ist der detaillierte Inhalt vonIn welcher Python-Version ist das Zufallsmodul enthalten?. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!

Heiße KI -Werkzeuge

Undresser.AI Undress
KI-gestützte App zum Erstellen realistischer Aktfotos

AI Clothes Remover
Online-KI-Tool zum Entfernen von Kleidung aus Fotos.

Undress AI Tool
Ausziehbilder kostenlos

Clothoff.io
KI-Kleiderentferner

AI Hentai Generator
Erstellen Sie kostenlos Ai Hentai.

Heißer Artikel

Heiße Werkzeuge

Notepad++7.3.1
Einfach zu bedienender und kostenloser Code-Editor

SublimeText3 chinesische Version
Chinesische Version, sehr einfach zu bedienen

Senden Sie Studio 13.0.1
Leistungsstarke integrierte PHP-Entwicklungsumgebung

Dreamweaver CS6
Visuelle Webentwicklungstools

SublimeText3 Mac-Version
Codebearbeitungssoftware auf Gottesniveau (SublimeText3)

Heiße Themen



PHP und Python haben ihre eigenen Vor- und Nachteile, und die Wahl hängt von den Projektbedürfnissen und persönlichen Vorlieben ab. 1.PHP eignet sich für eine schnelle Entwicklung und Wartung großer Webanwendungen. 2. Python dominiert das Gebiet der Datenwissenschaft und des maschinellen Lernens.

Aktivieren Sie die Pytorch -GPU -Beschleunigung am CentOS -System erfordert die Installation von CUDA-, CUDNN- und GPU -Versionen von Pytorch. Die folgenden Schritte führen Sie durch den Prozess: Cuda und Cudnn Installation Bestimmen Sie die CUDA-Version Kompatibilität: Verwenden Sie den Befehl nvidia-smi, um die von Ihrer NVIDIA-Grafikkarte unterstützte CUDA-Version anzuzeigen. Beispielsweise kann Ihre MX450 -Grafikkarte CUDA11.1 oder höher unterstützen. Download und installieren Sie Cudatoolkit: Besuchen Sie die offizielle Website von Nvidiacudatoolkit und laden Sie die entsprechende Version gemäß der höchsten CUDA -Version herunter und installieren Sie sie, die von Ihrer Grafikkarte unterstützt wird. Installieren Sie die Cudnn -Bibliothek:

Python und JavaScript haben ihre eigenen Vor- und Nachteile in Bezug auf Gemeinschaft, Bibliotheken und Ressourcen. 1) Die Python-Community ist freundlich und für Anfänger geeignet, aber die Front-End-Entwicklungsressourcen sind nicht so reich wie JavaScript. 2) Python ist leistungsstark in Bibliotheken für Datenwissenschaft und maschinelles Lernen, während JavaScript in Bibliotheken und Front-End-Entwicklungsbibliotheken und Frameworks besser ist. 3) Beide haben reichhaltige Lernressourcen, aber Python eignet sich zum Beginn der offiziellen Dokumente, während JavaScript mit Mdnwebdocs besser ist. Die Wahl sollte auf Projektbedürfnissen und persönlichen Interessen beruhen.

Docker verwendet Linux -Kernel -Funktionen, um eine effiziente und isolierte Anwendungsumgebung zu bieten. Sein Arbeitsprinzip lautet wie folgt: 1. Der Spiegel wird als schreibgeschützte Vorlage verwendet, die alles enthält, was Sie für die Ausführung der Anwendung benötigen. 2. Das Union File System (UnionFS) stapelt mehrere Dateisysteme, speichert nur die Unterschiede, speichert Platz und beschleunigt. 3. Der Daemon verwaltet die Spiegel und Container, und der Kunde verwendet sie für die Interaktion. 4. Namespaces und CGroups implementieren Container -Isolation und Ressourcenbeschränkungen; 5. Mehrere Netzwerkmodi unterstützen die Containerverbindung. Nur wenn Sie diese Kernkonzepte verstehen, können Sie Docker besser nutzen.

Minio-Objektspeicherung: Hochleistungs-Bereitstellung im Rahmen von CentOS System Minio ist ein hochleistungsfähiges, verteiltes Objektspeichersystem, das auf der GO-Sprache entwickelt wurde und mit Amazons3 kompatibel ist. Es unterstützt eine Vielzahl von Kundensprachen, darunter Java, Python, JavaScript und Go. In diesem Artikel wird kurz die Installation und Kompatibilität von Minio zu CentOS -Systemen vorgestellt. CentOS -Versionskompatibilitätsminio wurde in mehreren CentOS -Versionen verifiziert, einschließlich, aber nicht beschränkt auf: CentOS7.9: Bietet einen vollständigen Installationshandbuch für die Clusterkonfiguration, die Umgebungsvorbereitung, die Einstellungen von Konfigurationsdateien, eine Festplattenpartitionierung und Mini

Pytorch Distributed Training on CentOS -System erfordert die folgenden Schritte: Pytorch -Installation: Die Prämisse ist, dass Python und PIP im CentOS -System installiert sind. Nehmen Sie abhängig von Ihrer CUDA -Version den entsprechenden Installationsbefehl von der offiziellen Pytorch -Website ab. Für CPU-Schulungen können Sie den folgenden Befehl verwenden: PipinstallTorChTorChVisionTorChaudio Wenn Sie GPU-Unterstützung benötigen, stellen Sie sicher, dass die entsprechende Version von CUDA und CUDNN installiert ist und die entsprechende Pytorch-Version für die Installation verwenden. Konfiguration der verteilten Umgebung: Verteiltes Training erfordert in der Regel mehrere Maschinen oder mehrere Maschinen-Mehrfach-GPUs. Ort

Bei der Installation von PyTorch am CentOS -System müssen Sie die entsprechende Version sorgfältig auswählen und die folgenden Schlüsselfaktoren berücksichtigen: 1. Kompatibilität der Systemumgebung: Betriebssystem: Es wird empfohlen, CentOS7 oder höher zu verwenden. CUDA und CUDNN: Pytorch -Version und CUDA -Version sind eng miteinander verbunden. Beispielsweise erfordert Pytorch1.9.0 CUDA11.1, während Pytorch2.0.1 CUDA11.3 erfordert. Die Cudnn -Version muss auch mit der CUDA -Version übereinstimmen. Bestimmen Sie vor der Auswahl der Pytorch -Version unbedingt, dass kompatible CUDA- und CUDNN -Versionen installiert wurden. Python -Version: Pytorch Official Branch

Die Installation von CentOS-Installationen erfordert die folgenden Schritte: Installieren von Abhängigkeiten wie Entwicklungstools, PCRE-Devel und OpenSSL-Devel. Laden Sie das Nginx -Quellcode -Paket herunter, entpacken Sie es, kompilieren Sie es und installieren Sie es und geben Sie den Installationspfad als/usr/local/nginx an. Erstellen Sie NGINX -Benutzer und Benutzergruppen und setzen Sie Berechtigungen. Ändern Sie die Konfigurationsdatei nginx.conf und konfigurieren Sie den Hörport und den Domänennamen/die IP -Adresse. Starten Sie den Nginx -Dienst. Häufige Fehler müssen beachtet werden, z. B. Abhängigkeitsprobleme, Portkonflikte und Konfigurationsdateifehler. Die Leistungsoptimierung muss entsprechend der spezifischen Situation angepasst werden, z. B. das Einschalten des Cache und die Anpassung der Anzahl der Arbeitsprozesse.
