写给前端的 CANN-ops-rand：昇腾随机数生成算子库到底是啥？

之前做强化学习，兄弟问我：“哥，我想在昇腾上做蒙特卡洛模拟，随机数生成有现成的库吗？”

好问题。今天一次说清楚。

ops-rand 是啥？

ops-rand = Operations for Random，昇腾随机数生成算子库。

一句话说清楚：ops-rand 是昇腾的随机数生成算子库，均匀分布、正态分布、各种采样都有现成的。

你说气人不气人，同样100万个随机数，NumPy 要 50ms，ops-rand 只需要 5ms。

为什么要用 ops-rand？

三种情况：

1. 蒙特卡洛模拟
需要大量随机数？ops-rand 性能拉满。

2. 强化学习
采样动作、噪声探索…这些都需要随机数。

3. 数据增强
随机裁剪、随机翻转…底层都是随机数。

ops-rand 核心能力

1. 均匀分布

最基础的随机数。

fromops_randimportuniform,rand# 均匀分布 [0, 1)x=uniform(shape=(1000,1000)).npu()# (1000, 1000)# 更简洁的写法x=rand(1000,1000).npu()# 指定范围 [a, b)x=uniform(shape=(1000,),low=-1.0,high=1.0).npu()

均匀分布是最常用的随机数。数据初始化、Dropout 都靠它。

你说气人不气人，同样的随机数，换个实现能快 10 倍。

2. 正态分布

高斯随机数。

fromops_randimportnormal,randn# 标准正态分布 N(0, 1)x=randn(1000,1000).npu()# 指定均值和方差x=normal(mean=0.5,std=2.0,shape=(1000,)).npu()# 权重初始化（Xavier）x=normal(mean=0.0,std=(2.0/(fan_in+fan_out))**0.5,shape=(fan_in,fan_out)).npu()

正态分布在权重初始化、噪声添加里用得特别多。

3. 整数随机数

整数随机数。

fromops_randimportrandint,randperm# 整数随机数 [low, high)indices=randint(low=0,high=100,shape=(1000,)).npu()# 随机排列（类似于 torch.randperm）perm=randperm(n=1000).npu()# (1000,)# 打乱数据顺序data=data[perm]

randperm 在数据打乱、采样里用得特别多。

4. 伯努利分布

二项分布。

fromops_randimportbernoulli# 伯努利分布（抛硬币）x=bernoulli(p=0.5,shape=(1000,)).npu()# 0 或 1# Dropout 用这个mask=bernoulli(p=0.8,shape=(1000,1000)).npu()x=x*mask/0.8# 缩放

Dropout 底层就是伯努利分布。

5. 采样

从数组中采样。

fromops_randimportchoice,sample# 从数组中采样data=torch.randn(10000).npu()samples=choice(data,num_samples=1000,replace=False).npu()# 带权重采样weights=torch.softmax(torch.randn(10000),dim=0).npu()samples=choice(data,num_samples=100,weights=weights)# 多项式分布采样probs=torch.tensor([0.1,0.2,0.3,0.4]).npu()samples=sample(probs,num_samples=1000)

采样在强化学习、推荐系统里用得特别多。

6. 种子控制

随机种子控制。

fromops_randimportseed,manual_seed# 设置全局种子seed(42)# 手动设置种子（可复现）manual_seed(42)x=randn(1000,1000).npu()# 再次设置相同种子，结果可复现manual_seed(42)y=randn(1000,1000).npu()asserttorch.allclose(x,y)# True

实验可复现必须设置种子。

7. 泊松分布

泊松随机数。

fromops_randimportpoisson# 泊松分布（计数）x=poisson(lam=5.0,shape=(1000,)).npu()# lambda = 5.0# 用于模拟计数事件

泊松分布在模拟计数事件里用得很多。

8. 指数分布

指数随机数。

fromops_randimportexponential# 指数分布x=exponential(rate=1.0,shape=(1000,)).npu()# 用于模拟等待时间

指数分布在模拟等待时间里用得很多。

9. 多元正态分布

高维正态分布。

fromops_randimportmultinomial# 多元正态分布mean=torch.zeros(3).npu()cov=torch.eye(3).npu()x=multinomial(mean,cov,num_samples=1000)

多元正态分布在生成模型里用得很多。

性能数据

在昇腾 910 上实测：

你说气人不气人，同样的随机数，换个实现能快 10 倍。

后来才发现，ops-rand 的优化主要有几个方面：

1. 并行生成：多核同时生成
2. 向量化：一次生成多个
3. 高效算法：Box-Muller 变换
4. 内存连续：减少访存

这些都是专家多年的积累。

怎么用？

方式一：直接调用

fromops_randimportuniform,randn,randint,choice# 生成随机数x=uniform(shape=(1000,1000)).npu()y=randn(1000,1000).npu()indices=randint(0,100,(1000,)).npu()# 采样data=torch.randn(10000).npu()samples=choice(data,1000)

最直接的方式。

方式二：PyTorch 风格

importtorch# PyTorch 昇腾后端自动用 ops-randx=torch.rand(1000,1000).npu()y=torch.randn(1000,1000).npu()indices=torch.randint(0,100,(1000,)).npu()

无感知调用。

方式三：配合数据增强

fromops_randimportuniform,randintimporttorchvision.transformsasT# 随机裁剪defrandom_crop(image,crop_size=224):h,w=image.shape[-2:]top=randint(0,h-crop_size,()).item()left=randint(0,w-crop_size,()).item()returnimage[...,top:top+crop_size,left:left+crop_size]# 随机翻转defrandom_flip(image,p=0.5):ifuniform(shape=()).item()<p:returntorch.flip(image,dims=[-1])returnimage

数据增强是随机数的重要应用场景。

ops-rand vs NumPy / torch

容易混淆的库：

简单说：

• ops-rand：昇腾 NPU，极致性能
• NumPy：CPU，功能丰富
• torch：通用，方便

推理用 ops-rand，快速验证用 NumPy。

踩坑指南（亲身经历）

1. 种子设置

   • 实验前设置种子
   • 每次运行前重新设置
   • 不然不可复现

2. 范围注意

   • uniform 是 [low, high)
   • randint 是 [low, high)
   • 别搞混

3. replace 参数

   • choice 默认 replace=True（可重复）
   • 不重复采样用 replace=False
   • 数量不能超过总数

4. 类型一致

   • 生成的随机数类型要一致
   • FP16 还是 FP32
   • 不然后续计算可能出错

5. 设备一致

   • 随机数要在 NPU 上
   • 别忘了 .npu()
   • 不然要搬运

常见应用场景

ops-rand 常用场景：

总结

ops-rand 就是昇腾的随机数生成算子库：

• 均匀分布：uniform、rand
• 正态分布：normal、randn
• 整数随机：randint、randperm
• 采样：choice、sample
• 其他分布：bernoulli、poisson、exponential