Согласны ли реализации нормального распределения C ++ и randn MATLAB?

Question

Согласны ли реализации нормального распределения C ++ и randn MATLAB?

0

Я использую Mersenne twister, чтобы иметь согласованные случайные значения между проектами в Matlab и C++. Но я не смог получить согласованные нормально распределенные псевдослучайные значения при использовании randn или C++ 11 normal_distribution.

Здесь C++:

void main()
{
    unsigned int mersenneSeed = 1977;
    std::mt19937_64 generator; // it doesn't matter if I use the 64 or the std::mt19937
    generator.seed(mersenneSeed);
    std::normal_distribution<double> normal; // default is 0 mean and 1.0 std
    double temp = normal(generator); 
        // results 1.4404780513814264 for mt19937_64 and 1.8252033038258377 for mt19937
}

Здесь Matlab:

rng(1977) % default Matlab uses mersenne twister
randn()   % default is 0 mean and 1.0 std

Я использую Matlab 2013b и Visual Studio Express 2013. Я что-то не так с нормальным распределением C++ 11?

David 03 фев. 2014, в 19:32

Источник

2

Точные механизмы распределения не определены стандартом, поэтому их результаты не гарантируются переносимыми (не говоря уже о гарантированно переносимых в Matlab;).
Casey 03 фев. 2014, в 18:43
1

Механизмы rng для rng и вашего кода, вероятно, также совершенно разные.
horchler 03 фев. 2014, в 19:05
0

Вы создаете мекс-код для вызова из Matlab? Есть ли причина, по которой вам нужны одинаковые выходы для одинаковых начальных значений?
horchler 03 фев. 2014, в 19:31
1

Кроме того, поскольку вы генерируете случайные отклонения от нормального распределения, я предполагаю, что то, что когда-либо реализовано для спецификации C ++ 11, не использует метод Ziggurat, который используется по умолчанию в Matlab.
horchler 03 фев. 2014, в 19:45
1

Команды @horchler 2 борются за то, какое программное решение лучше всего решит большую вычислительную проблему. Одна команда написала свое решение на Matlab, а другая на C ++. При тестировании алгоритмов было бы хорошо иметь одинаковые данные, идущие к каждому из них, чтобы вычеркнуть крайние случаи.
David 03 фев. 2014, в 20:04
0

@David: Тогда одним из вариантов может быть использование кода на C ++ 11 и написание для него mex оболочки, чтобы его также можно было вызывать из Matlab. Однако, если генерация случайных чисел является частью метрики производительности, пользователи Matlab могут захотеть придерживаться randn - я обнаружил, что реализация C ++ 11 намного медленнее. Способ получения быстрых случайных вариаций в C / C ++ (быстрее, чем Matlab в прошлый раз, когда я тестировал) - это реализовать SIMD-ориентированный быстрый мерсенновский твистер (dSFMT) с двойной точностью и зиккурат.
horchler 03 фев. 2014, в 20:15

Показать ещё 4 комментария

Теги:

c++

c++11

matlab

statistics

normal-distribution

1 ответ

Ещё вопросы

Точные механизмы распределения не определены стандартом, поэтому их результаты не гарантируются переносимыми (не говоря уже о гарантированно переносимых в Matlab;).
Механизмы rng для rng и вашего кода, вероятно, также совершенно разные.
Вы создаете мекс-код для вызова из Matlab? Есть ли причина, по которой вам нужны одинаковые выходы для одинаковых начальных значений?
Кроме того, поскольку вы генерируете случайные отклонения от нормального распределения, я предполагаю, что то, что когда-либо реализовано для спецификации C ++ 11, не использует метод Ziggurat, который используется по умолчанию в Matlab.
Команды @horchler 2 борются за то, какое программное решение лучше всего решит большую вычислительную проблему. Одна команда написала свое решение на Matlab, а другая на C ++. При тестировании алгоритмов было бы хорошо иметь одинаковые данные, идущие к каждому из них, чтобы вычеркнуть крайние случаи.
@David: Тогда одним из вариантов может быть использование кода на C ++ 11 и написание для него mex оболочки, чтобы его также можно было вызывать из Matlab. Однако, если генерация случайных чисел является частью метрики производительности, пользователи Matlab могут захотеть придерживаться randn - я обнаружил, что реализация C ++ 11 намного медленнее. Способ получения быстрых случайных вариаций в C / C ++ (быстрее, чем Matlab в прошлый раз, когда я тестировал) - это реализовать SIMD-ориентированный быстрый мерсенновский твистер (dSFMT) с двойной точностью и зиккурат.

A. Donda · Answer 1 · 2014-02-03T17-25-00.000Z

Сам Mersenne twister производит только 32-битные целочисленные случайные числа. Наиболее вероятным объяснением несоответствия, которое вы наблюдаете, является способ преобразования этих равномерно распределенных целых чисел в нормально распределенные числа с плавающей запятой с двойной точностью.

Поскольку документация randn не объясняет это преобразование, а исходный код недоступен (это встроенная функция), сложно сказать об этом без обратной инженерии. (Согласно комментарию Кейси, то же самое похоже на сторону C++.)

Самый простой способ добиться согласованности, вероятно, состоял бы в том, чтобы генерировать случайные числа в C++ или Matlab, сохранять результаты и загружать их по мере необходимости. Альтернативой было бы написать собственную функцию случайного числа Matlab в C++ в виде файла MEX (используя C++ normal_distribution) и использовать эту функцию в Matlab вместо randn.