PyTorch是一个开源的深度学习框架，它提供了一个用于高级特性的Python包。在本文中，我们将介绍PyTorch中的常见抽样函数。抽样是一个统计过程，它从总体中提取一个子集，通过子集来研究整个总体。

torch.bernoulli()

伯努利分布是一个离散分布，有两个结果，即成功和失败。如果成功的概率是p，那么失败的概率是(1-p)，反之亦然。

PyTorch的实现和相应的输出如下:

 a = torch.empty(3, 3).uniform_(0, 1)
 print(a)

输出如下：

 tensor([[0.0966, 0.7385, 0.6546],
         [0.4255, 0.8294, 0.8315],
         [0.8065, 0.8228, 0.6467]])

现在我们把bernoulli()函数应用到张量上

 torch.bernoulli(a)

输出如下：

 tensor([[0., 1., 1.],
         [1., 1., 0.],
         [1., 0., 1.]])

torch.Tensor.cauchy_()

柯西分布，又称柯西-洛伦兹分布，在统计学中，具有两个参数的连续分布函数，最早于19世纪初由法国数学家奥古斯丁-路易斯·柯西研究。后来，19世纪的荷兰物理学家亨德里克·洛伦兹(Hendrik Lorentz)用它来解释强迫共振或振动。第一眼看柯西分布看起来像正态分布，但它的“尾巴”并不像正态分布那样迅速逐渐消失。

柯西分布可能看起来类似于正态分布，它的峰值比高斯分布高，与正态分布不同的是，它的尾部衰减得更慢。

 a = torch.ones(3, 3) 
 a

输出：

 tensor([[1., 1., 1.],
         [1., 1., 1.],
         [1., 1., 1.]])

现在我们应用cauchy_()函数

 torch.Tensor.cauchy_(a)

输出：

 tensor([[-4.5374,  0.3726,  0.4947],
         [ 0.4111,  0.9167,  0.7214],
         [ 1.0533, -9.2247,  0.7620]])

注意，这里的函数名称以"_"结尾，这是pytorch的一个规定，他将会用改写参数，也就是我们传进去的变量a

torch.poisson ()

泊松分布用于计算一个事件在平均价值率(时间)的一定时间内发生的可能性。泊松分布是一个离散的概率分布。

 a = torch.rand(4, 4) * 5  # rate parameter between 0 and 5
 torch.poisson(a)

输出如下：

 tensor([[2., 1., 0., 8.],
         [2., 3., 3., 3.],