Python tf.compat.v1.distributions.Distribution用法及代碼示例

一個通用的概率分布基類。

用法

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

Distribution 是用於構建和組織隨機變量(例如，伯努利、高斯)的屬性(例如，均值、方差)的基類。

子類化

子類應實現same-named 函數的leading-underscore 版本。除了省略 name="..." 之外，參數簽名應該相同。例如，要啟用 log_prob(value, name="log_prob") 子類應該實現 _log_prob(value) 。

子類可以通過為其方法特化提供文檔字符串來附加到public-level 文檔字符串。例如：

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

將添加字符串“一些其他詳細信息”。到log_prob 函數文檔字符串。這是作為一個簡單的裝飾器實現的，以避免 python linter 抱怨部分文檔字符串中缺少 Args/Returns/Raises 部分。

廣播、批處理和形狀

所有發行版都支持該類型的成批獨立發行版。批量形狀是通過一起廣播參數來確定的。

__init__ , cdf , log_cdf , prob 和 log_prob 的參數形狀反映了這種廣播，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 是從 sample_n , n 返回的 Tensor 的形狀，是樣本數，batch_shape 定義有多少個獨立分布，而 event_shape 定義每個樣本的形狀那些獨立的分布。樣本在 batch_shape 維度上是獨立的，但在 event_shape 維度上不一定如此(取決於基礎分布的細節)。

以Uniform 分布為例：

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])

形狀

與 TensorFlow 分布形狀相關的三個重要概念：

• 事件形狀說明了從分布中單次抽取的形狀；它可能依賴於各個維度。對於標量分布，事件形狀為 [] 。對於 5 維 MultivariateNormal，事件形狀為 [5] 。
• 批量形狀說明了獨立的、不同分布的繪製，也就是 "collection" 或 "bunch" 的分布。
• 樣本形狀說明了來自分布族的獨立、相同分布的批次抽取。

事件形狀和批處理形狀是 Distribution 對象的屬性，而示例形狀與對 sample 或 log_prob 的特定調用相關聯。

有關 TensorFlow Distributions 形狀的詳細使用示例，請參閱本教程

導致未定義統計或分布的參數值。

某些分布沒有針對所有初始化參數值的明確定義的統計信息。例如，beta 分布由正實數 concentration1 和 concentration0 參數化，如果 concentration1 < 1 或 concentration0 < 1 則沒有明確定義的模式。

用戶可以選擇引發異常或返回 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()

在所有情況下，如果傳遞了無效參數，則會引發異常，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()