Python tf.random.stateless_gamma用法及代碼示例

從伽馬分布輸出確定性偽隨機值。

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濃度 (alpha) 和反比例 (beta) 參數的伽馬分布。

這是tf.random.gamma 的無狀態版本：如果使用相同的種子和形狀運行兩次，它將產生相同的偽隨機數。輸出在同一硬件(以及 CPU 和 GPU 之間)上的多次運行中是一致的，但可能會在 TensorFlow 版本之間或在非 CPU/GPU 硬件上發生變化。

在 stateless_gamma 和 gamma 之間對 shape 參數的解釋存在細微差別：在 gamma 中，shape 始終位於 alpha 和 beta 的廣播形狀之前；而在 stateless_gamma 中，shape 參數必須始終包含 alpha 和 beta 中的每一個的形狀(必須一起廣播以匹配 shape 的尾隨尺寸)。

注意：因為內部計算是使用 float64 完成的並且強製轉換具有 floor 語義，所以我們必須手動將零結果映射到可能的最小正浮點值，即 np.finfo(dtype).tiny 。這意味著np.finfo(dtype).tiny 的發生頻率比其他情況要高。這種偏差隻會發生在 alpha 的小值，即 alpha << 1 或 beta 的大值，即 beta >> 1 。

樣本是可微的 w.r.t.阿爾法和貝塔。導數是使用 (Figurnov et al., 2018) 中說明的方法計算的。

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