SigmoidTransform¶

class paddle.distribution. SigmoidTransform [源代码] ¶

Sigmoid 变换 $y = \frac{1}{1 + \exp(-x)}$ , $x = \text{logit}(y)$

代码示例¶

import paddle

x = paddle.ones((2,3))
t = paddle.distribution.SigmoidTransform()
print(t.forward(x))
# Tensor(shape=[2, 3], dtype=float32, place=Place(gpu:0), stop_gradient=True,
#        [[0.73105860, 0.73105860, 0.73105860],
#         [0.73105860, 0.73105860, 0.73105860]])
print(t.inverse(t.forward(x)))
# Tensor(shape=[2, 3], dtype=float32, place=Place(gpu:0), stop_gradient=True,
#        [[1.00000012, 1.00000012, 1.00000012],
#         [1.00000012, 1.00000012, 1.00000012]])
print(t.forward_log_det_jacobian(x))
# Tensor(shape=[2, 3], dtype=float32, place=Place(gpu:0), stop_gradient=True,
#        [[-1.62652326, -1.62652326, -1.62652326],
#         [-1.62652326, -1.62652326, -1.62652326]])

方法¶

forward(x)¶

计算正变换 $y=f(x)$ 的结果。

参数

x (Tensor) - 正变换输入参数，通常为 Distribution 的随机采样结果。

返回

Tensor，正变换的计算结果。

inverse(y)¶

计算逆变换 $x = f^{-1}(y)$ 。

参数

y (Tensor) - 逆变换的输入参数。

返回

Tensor，逆变换的计算结果。

forward_log_det_jacobian(x)¶

计算正变换雅可比行列式绝对值的对数。

如果变换不是一一映射，则雅可比矩阵不存在，返回 NotImplementedError 。

参数

x (Tensor) - 输入参数。

返回

Tensor，正变换雅可比行列式绝对值的对数。

inverse_log_det_jacobian(y)¶

计算逆变换雅可比行列式绝对值的对数。

与 forward_log_det_jacobian 互为负数。

参数

y (Tensor) - 输入参数。

返回

Tensor，逆变换雅可比行列式绝对值的对数。

forward_shape(shape)¶

推断正变换输出形状。

参数

shape (Sequence[int]) - 正变换输入的形状。

返回

Sequence[int]，正变换输出的形状。

inverse_shape(shape)¶

推断逆变换输出形状。

参数

shape (Sequence[int]) - 逆变换输入的形状。

返回

Sequence[int]，逆变换输出的形状。