Python mxnet.ndarray.random.generalized_negative_binomial用法及代码示例

用法:
mxnet.ndarray.random.generalized_negative_binomial(mu=1, alpha=1, shape=_Null, dtype=_Null, ctx=None, out=None, **kwargs)

参数：

mu：(float or NDArray, optional) - 负二项分布的平均值。
alpha：(float or NDArray, optional) - 负二项分布的 Alpha(分散)参数。
shape：(int or tuple of ints, optional) - 要绘制的样本数。如果形状是，例如，(m, n)和mu和alpha是标量，输出形状将是(m, n).如果mu和alpha是具有形状的 NDArray，例如，(x, y)，则输出将具有形状(x, y, m, n)，其中m*n为每个抽取样本[mu, alpha)一对。
dtype：({'float16', 'float32', 'float64'}, optional) - 输出样本的数据类型。默认为‘float32’
ctx：(mxnet.context.Context, optional) - 输出的设备上下文。默认为当前上下文。被覆盖mu.context当mu是一个 NDArray。
out：(NDArray, optional) - 将输出存储到现有的 NDArray。

如果输入 shape 具有形状，例如 (m, n) 和 mu 和 alpha 是标量，则输出形状将为 (m, n) 。如果 mu 和 alpha 是具有形状的 NDArray，例如 (x, y) ，则输出将具有形状 (x, y, m, n) ，其中为每个 [mu, alpha) 对绘制 m*n 样本。

返回类型：

ND阵列

从广义负二项分布中抽取随机样本。

样本根据由mu(均值)和alpha(分散)参数化的广义负二项分布分布。 alpha 定义为 1/k 其中 k 是不成功实验次数的失败限制(推广到实数)。样本将始终作为浮点数据类型返回。

例子：

>>> mx.nd.random.generalized_negative_binomial(10, 0.5)
[ 19.]
<NDArray 1 @cpu(0)>
>>> mx.nd.random.generalized_negative_binomial(10, 0.5, shape=(2,))
[ 30.  21.]
<NDArray 2 @cpu(0)>
>>> mu = mx.nd.array([1,2,3])
>>> alpha = mx.nd.array([0.2,0.4,0.6])
>>> mx.nd.random.generalized_negative_binomial(mu, alpha, shape=2)
[[ 4.  0.]
 [ 3.  2.]
 [ 6.  2.]]
<NDArray 3x2 @cpu(0)>

相关用法

注：本文由纯净天空筛选整理自apache.org大神的英文原创作品 mxnet.ndarray.random.generalized_negative_binomial。非经特殊声明，原始代码版权归原作者所有，本译文未经允许或授权，请勿转载或复制。

用法:

参数：

返回：

返回类型：

例子：