Python tf.random.stateless_gamma用法及代码示例

从伽马分布输出确定性伪随机值。

用法

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

生成的值遵循具有指定浓度 (alpha) 和反比例 (beta) 参数的伽马分布。

这是tf.random.gamma 的无状态版本：如果使用相同的种子和形状运行两次，它将产生相同的伪随机数。输出在同一硬件(以及 CPU 和 GPU 之间)上的多次运行中是一致的，但可能会在 TensorFlow 版本之间或在非 CPU/GPU 硬件上发生变化。

在 stateless_gamma 和 gamma 之间对 shape 参数的解释存在细微差别：在 gamma 中，shape 始终位于 alpha 和 beta 的广播形状之前；而在 stateless_gamma 中，shape 参数必须始终包含 alpha 和 beta 中的每一个的形状(必须一起广播以匹配 shape 的尾随尺寸)。

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.stateless_gamma([10, 2], seed=[12, 34], alpha=[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.stateless_gamma([7, 5, 2], seed=[12, 34], alpha=[.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.stateless_gamma(
    [30, 3, 2], seed=[12, 34], alpha=alpha, beta=beta)
# samples has shape [30, 3, 2], with 30 samples each of 3x2 distributions.

with tf.GradientTape() as tape:
  tape.watch([alpha, beta])
  loss = tf.reduce_mean(tf.square(tf.random.stateless_gamma(
      [30, 3, 2], seed=[12, 34], alpha=alpha, beta=beta)))
dloss_dalpha, dloss_dbeta = tape.gradient(loss, [alpha, beta])
# unbiased stochastic derivatives of the loss function
alpha.shape == dloss_dalpha.shape  # True
beta.shape == dloss_dbeta.shape  # True