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

具有low 和high 参数的均匀分布。

继承自：Distribution

用法

tf.compat.v1.distributions.Uniform(
    low=0.0, high=1.0, validate_args=False, allow_nan_stats=True,
    name='Uniform'
)

参数

low 浮点张量，输出区间的下边界。必须有 low < high 。
high 浮点张量，输出区间的上边界。必须有 low < high 。
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。

抛出

InvalidArgumentError 如果 low >= high 和 validate_args=False 。

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。
high 输出区间的上边界。
low 输出区间的下边界。
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。
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。

数学细节

概率密度函数 (pdf) 是，

pdf(x; a, b) = I[a <= x < b] / Z
Z = b - a

其中

low = a ,
high = b ,
Z 是归一化常数，并且
I[predicate] 是 predicate 的指标函数。

参数 low 和 high 必须以支持广播的方式进行整形(例如，high - low 是有效的操作)。

例子

# Without broadcasting:
u1 = Uniform(low=3.0, high=4.0)  # a single uniform distribution [3, 4]
u2 = Uniform(low=[1.0, 2.0],
             high=[3.0, 4.0])  # 2 distributions [1, 3], [2, 4]
u3 = Uniform(low=[[1.0, 2.0],
                  [3.0, 4.0]],
             high=[[1.5, 2.5],
                   [3.5, 4.5]])  # 4 distributions

# With broadcasting:
u1 = Uniform(low=3.0, high=[5.0, 6.0, 7.0])  # 3 distributions

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.Uniform。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。