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

具有low 和high 參數的均勻分布。

繼承自：Distribution

用法

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

參數

low 浮點張量，輸出區間的下邊界。必須有 low < high 。
high 浮點張量，輸出區間的上邊界。必須有 low < high 。
validate_args Python bool ，默認 False 。盡管可能會降低運行時性能，但檢查 True 分發參數的有效性時。當False 無效輸入可能會默默呈現不正確的輸出。
allow_nan_stats Python bool ，默認 True 。當 True 時，統計信息(例如，均值、眾數、方差)使用值“NaN”來指示結果未定義。當 False 時，如果一個或多個統計數據的批處理成員未定義，則會引發異常。
name Python str 名稱以此類創建的 Ops 為前綴。

拋出

InvalidArgumentError 如果 low >= high 和 validate_args=False 。

屬性

allow_nan_stats Pythonbool說明未定義統計信息時的行為。
統計數據在有意義時返回 +/- 無窮大。例如，柯西分布的方差是無窮大的。但是，有時統計數據是未定義的，例如，如果分布的 pdf 在分布的支持範圍內沒有達到最大值，則模式是未定義的。如果均值未定義，則根據定義，方差未定義。例如： df = 1 的 Student's T 的平均值是未定義的(沒有明確的方式說它是 + 或 - 無窮大)，因此方差 = E[(X - mean)**2] 也是未定義的。
batch_shape 來自單個事件索引的單個樣本的形狀作為TensorShape.
可能部分定義或未知。

批次維度是該分布的獨立、不同參數化的索引。
dtype Tensor 的 DType 由此 Distribution 處理。
event_shape 單個批次的單個樣品的形狀作為TensorShape.
可能部分定義或未知。
high 輸出區間的上邊界。
low 輸出區間的下邊界。
name 此 Distribution 創建的所有操作前的名稱。
parameters 用於實例化此 Distribution 的參數字典。
reparameterization_type 說明如何重新參數化分布中的樣本。
目前這是靜態實例 distributions.FULLY_REPARAMETERIZED 或 distributions.NOT_REPARAMETERIZED 之一。
validate_args Python bool 表示啟用了可能昂貴的檢查。

數學細節

概率密度函數 (pdf) 是，

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

其中

low = a ,
high = b ,
Z 是歸一化常數，並且
I[predicate] 是 predicate 的指標函數。

參數 low 和 high 必須以支持廣播的方式進行整形(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

相關用法

注：本文由純淨天空篩選整理自tensorflow.org大神的英文原創作品 tf.compat.v1.distributions.Uniform。非經特殊聲明，原始代碼版權歸原作者所有，本譯文未經允許或授權，請勿轉載或複製。