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

一个通用的概率分布基类。

用法

tf.compat.v1.distributions.Distribution(
    dtype, reparameterization_type, validate_args, allow_nan_stats, parameters=None,
    graph_parents=None, name=None
)

Distribution 是用于构建和组织随机变量(例如，伯努利、高斯)的属性(例如，均值、方差)的基类。

子类化

子类应实现same-named 函数的leading-underscore 版本。除了省略 name="..." 之外，参数签名应该相同。例如，要启用 log_prob(value, name="log_prob") 子类应该实现 _log_prob(value) 。

子类可以通过为其方法特化提供文档字符串来附加到public-level 文档字符串。例如：

@util.AppendDocstring("Some other details.")
def _log_prob(self, value):
  ...

将添加字符串“一些其他详细信息”。到log_prob 函数文档字符串。这是作为一个简单的装饰器实现的，以避免 python linter 抱怨部分文档字符串中缺少 Args/Returns/Raises 部分。

广播、批处理和形状

所有发行版都支持该类型的成批独立发行版。批量形状是通过一起广播参数来确定的。

__init__ , cdf , log_cdf , prob 和 log_prob 的参数形状反映了这种广播，sample 和 sample_n 的返回值也是如此。

sample_n_shape = [n] + batch_shape + event_shape ，其中 sample_n_shape 是从 sample_n , n 返回的 Tensor 的形状，是样本数，batch_shape 定义有多少个独立分布，而 event_shape 定义每个样本的形状那些独立的分布。样本在 batch_shape 维度上是独立的，但在 event_shape 维度上不一定如此(取决于基础分布的细节)。

以Uniform 分布为例：

minval = 3.0
maxval = [[4.0, 6.0],
          [10.0, 12.0]]

# Broadcasting:
# This instance represents 4 Uniform distributions. Each has a lower bound at
# 3.0 as the `minval` parameter was broadcasted to match `maxval`'s shape.
u = Uniform(minval, maxval)

# `event_shape` is `TensorShape([])`.
event_shape = u.event_shape
# `event_shape_t` is a `Tensor` which will evaluate to [].
event_shape_t = u.event_shape_tensor()

# Sampling returns a sample per distribution. `samples` has shape
# [5, 2, 2], which is [n] + batch_shape + event_shape, where n=5,
# batch_shape=[2, 2], and event_shape=[].
samples = u.sample_n(5)

# The broadcasting holds across methods. Here we use `cdf` as an example. The
# same holds for `log_cdf` and the likelihood functions.

# `cum_prob` has shape [2, 2] as the `value` argument was broadcasted to the
# shape of the `Uniform` instance.
cum_prob_broadcast = u.cdf(4.0)

# `cum_prob`'s shape is [2, 2], one per distribution. No broadcasting
# occurred.
cum_prob_per_dist = u.cdf([[4.0, 5.0],
                           [6.0, 7.0]])

# INVALID as the `value` argument is not broadcastable to the distribution's
# shape.
cum_prob_invalid = u.cdf([4.0, 5.0, 6.0])

形状

与 TensorFlow 分布形状相关的三个重要概念：

• 事件形状说明了从分布中单次抽取的形状；它可能依赖于各个维度。对于标量分布，事件形状为 [] 。对于 5 维 MultivariateNormal，事件形状为 [5] 。
• 批量形状说明了独立的、不同分布的绘制，也就是 "collection" 或 "bunch" 的分布。
• 样本形状说明了来自分布族的独立、相同分布的批次抽取。

事件形状和批处理形状是 Distribution 对象的属性，而示例形状与对 sample 或 log_prob 的特定调用相关联。

有关 TensorFlow Distributions 形状的详细使用示例，请参阅本教程

导致未定义统计或分布的参数值。

某些分布没有针对所有初始化参数值的明确定义的统计信息。例如，beta 分布由正实数 concentration1 和 concentration0 参数化，如果 concentration1 < 1 或 concentration0 < 1 则没有明确定义的模式。

用户可以选择引发异常或返回 NaN 。

a = tf.exp(tf.matmul(logits, weights_a))
b = tf.exp(tf.matmul(logits, weights_b))

# Will raise exception if ANY batch member has a < 1 or b < 1.
dist = distributions.beta(a, b, allow_nan_stats=False)
mode = dist.mode().eval()

# Will return NaN for batch members with either a < 1 or b < 1.
dist = distributions.beta(a, b, allow_nan_stats=True)  # Default behavior
mode = dist.mode().eval()

在所有情况下，如果传递了无效参数，则会引发异常，例如

# Will raise an exception if any Op is run.
negative_a = -1.0 * a  # beta distribution by definition has a > 0.
dist = distributions.beta(negative_a, b, allow_nan_stats=True)
dist.mean().eval()