Python tf.compat.v1.distributions.Categorical用法及代码示例

分类分布。

继承自：Distribution

用法

tf.compat.v1.distributions.Categorical(
    logits=None, probs=None, dtype=tf.dtypes.int32, validate_args=False,
    allow_nan_stats=True, name='Categorical'
)

参数

logits 一个 N-D Tensor , N >= 1 ，表示一组分类分布的对数概率。第一个 N - 1 维度索引到一批独立分布，最后一个维度表示每个类的 logits 向量。只应传入logits 或probs 之一。
probs N-D Tensor , N >= 1 ，表示一组分类分布的概率。第一个 N - 1 维度索引成一批独立分布，最后一个维度表示每个类的概率向量。只应传入logits 或probs 之一。
dtype 事件样本的类型(默认值：int32)。
validate_args Python bool ，默认 False 。尽管可能会降低运行时性能，但检查 True 分发参数的有效性时。当False 无效输入可能会默默呈现不正确的输出。
allow_nan_stats Python bool ，默认 True 。当 True 时，统计信息(例如，均值、众数、方差)使用值“NaN”来指示结果未定义。当 False 时，如果一个或多个统计数据的批处理成员未定义，则会引发异常。
name Python str 名称以此类创建的 Ops 为前缀。

属性

allow_nan_stats Pythonbool说明未定义统计信息时的行为。
统计数据在有意义时返回 +/- 无穷大。例如，柯西分布的方差是无穷大的。但是，有时统计数据是未定义的，例如，如果分布的 pdf 在分布的支持范围内没有达到最大值，则模式是未定义的。如果均值未定义，则根据定义，方差未定义。例如： df = 1 的 Student's T 的平均值是未定义的(没有明确的方式说它是 + 或 - 无穷大)，因此方差 = E[(X - mean)**2] 也是未定义的。
batch_shape 来自单个事件索引的单个样本的形状作为TensorShape.
可能部分定义或未知。

批次维度是该分布的独立、不同参数化的索引。
dtype Tensor 的 DType 由此 Distribution 处理。
event_shape 单个批次的单个样品的形状作为TensorShape.
可能部分定义或未知。
event_size 标量 int32 张量：类的数量。
logits 坐标逻辑的向量。
name 此 Distribution 创建的所有操作前的名称。
parameters 用于实例化此 Distribution 的参数字典。
probs 坐标概率向量。
reparameterization_type 说明如何重新参数化分布中的样本。
目前这是静态实例 distributions.FULLY_REPARAMETERIZED 或 distributions.NOT_REPARAMETERIZED 之一。
validate_args Python bool 表示启用了可能昂贵的检查。

分类分布由一组K 类的概率或log-probabilities 参数化。它是在整数 {0, 1, ..., K} 上定义的。

分类分布与OneHotCategorical 和Multinomial 分布密切相关。分类分布可以直观地理解为根据 argmax{ OneHotCategorical(probs) } 本身与 argmax{ Multinomial(probs, total_count=1) } 相同来生成样本。

数学细节

概率质量函数 (pmf) 是，

pmf(k; pi) = prod_j pi_j**[k == j]

陷阱

类数 K 不得超过：

self.dtype 可表示的最大整数，即 2**(mantissa_bits+1) (IEEE 754)，
最大 Tensor 索引，即 2**31-1 。

换一种说法，

K <= min(2**31-1, {
  tf.float16:2**11,
  tf.float32:2**24,
  tf.float64:2**53 }[param.dtype])

注意：此条件仅在 self.validate_args = True 时有效。

例子

创建一个 3 类分布，其中 2 类最有可能。

dist = Categorical(probs=[0.1, 0.5, 0.4])
n = 1e4
empirical_prob = tf.cast(
    tf.histogram_fixed_width(
      dist.sample(int(n)),
      [0., 2],
      nbins=3),
    dtype=tf.float32) / n
# ==> array([ 0.1005,  0.5037,  0.3958], dtype=float32)

创建一个 3 类分布，其中 2 类最有可能。由 logits 而不是概率参数化。

dist = Categorical(logits=np.log([0.1, 0.5, 0.4])
n = 1e4
empirical_prob = tf.cast(
    tf.histogram_fixed_width(
      dist.sample(int(n)),
      [0., 2],
      nbins=3),
    dtype=tf.float32) / n
# ==> array([0.1045,  0.5047, 0.3908], dtype=float32)

创建一个 3 类分布，其中 3 类最有可能。分布函数可以根据计数进行评估。

# counts is a scalar.
p = [0.1, 0.4, 0.5]
dist = Categorical(probs=p)
dist.prob(0)  # Shape []

# p will be broadcast to [[0.1, 0.4, 0.5], [0.1, 0.4, 0.5]] to match counts.
counts = [1, 0]
dist.prob(counts)  # Shape [2]

# p will be broadcast to shape [3, 5, 7, 3] to match counts.
counts = [[...]] # Shape [5, 7, 3]
dist.prob(counts)  # Shape [5, 7, 3]

相关用法

注：本文由纯净天空筛选整理自tensorflow.org大神的英文原创作品 tf.compat.v1.distributions.Categorical。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。