Python tf.random.gamma用法及代码示例

从每个给定的 Gamma 分布中抽取 shape 样本。

用法

tf.random.gamma(
    shape, alpha, beta=None, dtype=tf.dtypes.float32, seed=None, name=None
)

参数

shape 一维整数张量或 Python 数组。每个 alpha/beta-parameterized 分布要绘制的输出样本的形状。
alpha 张量或 Python 值或 dtype 类型的 N-D 数组。 alpha 提供说明要采样的伽马分布的形状参数。必须可以使用 beta 进行广播。
beta 张量或 Python 值或 dtype 类型的 N-D 数组。默认为 1。beta 提供要采样的伽马分布的反比例参数。必须可以使用 alpha 进行广播。
dtype alpha、beta 的类型和输出：float16 , float32 或 float64。
seed 一个 Python 整数。用于为分布创建随机种子。有关行为，请参见tf.random.set_seed。
name 操作的可选名称。

samples 形状为 tf.concat([shape, tf.shape(alpha + beta)], axis=0) 的 Tensor ，其值类型为 dtype 。

alpha 是说明分布的形状参数，beta 是逆尺度参数。

注意：因为内部计算是使用 float64 完成的并且强制转换具有 floor 语义，所以我们必须手动将零结果映射到可能的最小正浮点值，即 np.finfo(dtype).tiny 。这意味着np.finfo(dtype).tiny 的发生频率比其他情况要高。这种偏差只会发生在 alpha 的小值，即 alpha << 1 或 beta 的大值，即 beta >> 1 。

样本是可微的 w.r.t.阿尔法和贝塔。导数是使用 (Figurnov et al., 2018) 中说明的方法计算的。

例子：

samples = tf.random.gamma([10], [0.5, 1.5])
# samples has shape [10, 2], where each slice [:, 0] and [:, 1] represents
# the samples drawn from each distribution

samples = tf.random.gamma([7, 5], [0.5, 1.5])
# samples has shape [7, 5, 2], where each slice [:,:, 0] and [:,:, 1]
# represents the 7x5 samples drawn from each of the two distributions

alpha = tf.constant([[1.],[3.],[5.]])
beta = tf.constant([[3., 4.]])
samples = tf.random.gamma([30], alpha=alpha, beta=beta)
# samples has shape [30, 3, 2], with 30 samples each of 3x2 distributions.

loss = tf.reduce_mean(tf.square(samples))
dloss_dalpha, dloss_dbeta = tf.gradients(loss, [alpha, beta])
# unbiased stochastic derivatives of the loss function
alpha.shape == dloss_dalpha.shape  # True
beta.shape == dloss_dbeta.shape  # True

参考：

隐式重新参数化梯度：Figurnov 等人，2018 (pdf)

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.random.gamma。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

例子：

参考：