先一句话总纲

这俩都是 **「电脑生成随机数的规则」**，深度学习里天天用（权重初始化、加噪声、Dropout、采样全靠它们）。

• 均匀分布：所有数出现概率完全一样，公平到极致
• 正态分布：中间数最多，越靠边越少，像一口钟

---

一、均匀分布（Uniform Distribution）

1. 大白话定义

在一个范围里，每个数字被抽到的概率完全相等，没有任何偏向！

2. 生活比喻

1. 扔骰子：1、2、3、4、5、6，概率一模一样
2. 抽奖：1~100 号球，每个球中奖概率相同
3. 随机点名：班里每个人被点到的概率一样

3. 长啥样？

画成图是一条水平直线 / 长方形，平顶，没有高低起伏。

4. 你代码里见过它！

python

运行

torch.rand(shape)  # 生成 0~1 之间的均匀分布随机数
mask = (torch.rand(X.shape) > dropout).float()  # Dropout里的mask就是均匀分布

5. 深度学习用来干嘛？

• 生成Dropout 掩码（随机选神经元，公平选）
• 数据随机打乱
• 简单的随机采样

---

二、正态分布（Normal / Gaussian Distribution）

1. 大白话定义

中间的数字出现概率最高，越往两边概率越低，像一口钟！

2. 生活比喻

1. 身高：大部分人是中等身高，特别高、特别矮的很少
2. 考试成绩：中等分数最多，满分和 0 分极少
3. 体重：中间体重最多，极端体重很少

3. 长啥样？

钟形曲线：中间高、两边低、左右对称。

4. 你代码里天天用！

python

运行

nn.init.normal_(m.weight, std=0.01)  # 权重初始化：正态分布！
labels += np.random.normal(scale=0.1)  # 加噪声：也是正态分布

5. 深度学习最重要用途

权重初始化（必用）

• 用正态分布，参数大部分在中间不大不小
• 不会太大（梯度爆炸），不会太小（梯度消失）
• 训练超级稳定，这就是你模型能收敛的关键之一！

---

三、超级对比表（一眼看懂）

表格

类型	概率特点	样子	生活例子	深度学习用途
均匀分布	所有数概率一样	平顶长方形	扔骰子、抽奖	Dropout、随机打乱
正态分布	中间多、两边少	钟形	身高、成绩	权重初始化、加噪声

---

四、终极口诀（背会就够用）

均匀分布：公平平等，全一样；正态分布：中间扎堆，两头少；权重初始化用正态，Dropout 用均匀！

---

五、和你代码联动（瞬间懂）

1. 你写的 **torch.rand()** → 均匀分布
2. 你写的 **nn.init.normal_** → 正态分布
3. 你加的数据噪声 → 正态分布
4. 你用的Dropout 掩码 → 均匀分布