ContinuousBernoulli¶

class paddle.distribution. ContinuousBernoulli ( probs, lims=(0.499, 0.501) ) [源代码] ¶

ContinuousBernoulli 是一种定义在 [0，1] 区间上的连续型概率分布，参数 probs 描述了其概率密度函数的形状。它可以被视为连续型的伯努利分布。出自 The continuous Bernoulli: fixing a pervasive error in variational autoencoders.

其概率密度函数（pdf）为：

$p(x;\lambda) = C(\lambda)\lambda^x (1-\lambda)^{1-x}$

其中：

$x$ 在 [0, 1] 区间内是连续的。
$\lambda$ 表示事件发生的概率。
$C(\lambda)$ 表示归一化常数因子，表达式如下：

$\begin{split}{ C(\lambda) = \left\{ \begin{aligned} &2 & \text{ if $\lambda = \frac{1}{2}$} \\ &\frac{2\tanh^{-1}(1-2\lambda)}{1 - 2\lambda} & \text{ otherwise} \end{aligned} \right. }\end{split}$

参数¶

probs (int|float|Tensor) - 即上述公式中 $\lambda$ 参数，在 [0, 1] 内，刻画 ContinuousBernoulli 分布的概率密度函数的形状。如果 probs 的输入数据类型是 int 或 float ，则会被转换为数据类型为 paddle 全局默认数据类型的 1-D Tensor。

lims (tuple，可选) - 表示概率计算非稳定区域的区域宽度，非稳定区域的概率计算使用泰勒展开做近似。默认值为 (0.499, 0.501)。

代码示例¶

>>> import paddle
>>> from paddle.distribution import ContinuousBernoulli
>>> paddle.set_device("cpu")
>>> paddle.seed(100)

>>> rv = ContinuousBernoulli(paddle.to_tensor([0.2, 0.5]))

>>> print(rv.sample([2]))
Tensor(shape=[2, 2], dtype=float32, place=Place(cpu), stop_gradient=True,
[[0.38694882, 0.20714243],
 [0.00631948, 0.51577556]])

>>> print(rv.mean)
Tensor(shape=[2], dtype=float32, place=Place(cpu), stop_gradient=True,
[0.38801414, 0.50000000])

>>> print(rv.variance)
Tensor(shape=[2], dtype=float32, place=Place(cpu), stop_gradient=True,
[0.07589778, 0.08333334])

>>> print(rv.entropy())
Tensor(shape=[2], dtype=float32, place=Place(cpu), stop_gradient=True,
[-0.07641457,  0.        ])

>>> print(rv.cdf(paddle.to_tensor(0.1)))
Tensor(shape=[2], dtype=float32, place=Place(cpu), stop_gradient=True,
[0.17259926, 0.10000000])

>>> print(rv.icdf(paddle.to_tensor(0.1)))
Tensor(shape=[2], dtype=float32, place=Place(cpu), stop_gradient=True,
[0.05623737, 0.10000000])

>>> rv1 = ContinuousBernoulli(paddle.to_tensor([0.2, 0.8]))
>>> rv2 = ContinuousBernoulli(paddle.to_tensor([0.7, 0.5]))
>>> print(rv1.kl_divergence(rv2))
Tensor(shape=[2], dtype=float32, place=Place(cpu), stop_gradient=True,
[0.20103608, 0.07641447])

属性¶

mean¶

ContinuousBernoulli 分布的均值

返回

Tensor，均值

variance¶

ContinuousBernoulli 分布的方差

返回

Tensor，方差

方法¶

prob(value)¶

计算 value 的概率。

参数

value (Tensor) - 待计算值。

返回

Tensor，value 的概率。数据类型与 self.probs 相同。

log_prob(value)¶

计算 value 的对数概率。

参数

value (Tensor) - 待计算值。

返回

Tensor，value 的对数概率。数据类型与 self.probs 相同。

cdf(value)¶

计算 value 的累计分布 quantile 值。

$\begin{split}{ P(X \le t; \lambda) = F(t;\lambda) = \left\{ \begin{aligned} &t & \text{ if $\lambda = \frac{1}{2}$} \\ &\frac{\lambda^t (1 - \lambda)^{1 - t} + \lambda - 1}{2\lambda - 1} & \text{ otherwise} \end{aligned} \right. }\end{split}$

参数

value (Tensor) - 待计算值。

返回

Tensor: value 的累积分布函数对应的 quantile 值。数据类型与 self.probs 相同。

icdf(value)¶

计算 value 的逆累计分布值。

$\begin{split}{ F^{-1}(x;\lambda) = \left\{ \begin{aligned} &x & \text{ if $\lambda = \frac{1}{2}$} \\ &\frac{\log(1+(\frac{2\lambda - 1}{1 - \lambda})x)}{\log(\frac{\lambda}{1-\lambda})} & \text{ otherwise} \end{aligned} \right. }\end{split}$

参数

value (Tensor) - 待计算 quantile。

返回

Tensor，ContinuousBernoulli 随机变量在对应 quantile 下的值。数据类型与 self.probs 相同。

sample(shape=[])¶

从 ContinuousBernoulli 分布中生成满足特定形状的样本数据。最终生成样本形状为 shape+batch_shape 。

参数

shape (Sequence[int]，可选)：采样次数。

返回

Tensor，样本数据。其维度为 $\text{sample shape} + \text{batch shape}$ 。

rsample(shape=[])¶

重参数化采样，生成指定维度的样本。最终生成样本形状为 shape+batch_shape 。

参数

shape (Sequence[int]，可选)：采样次数。

返回

Tensor：样本数据。其维度为 $\text{sample shape} + \text{batch shape}$ 。

entropy()¶

计算 ContinuousBernoulli 分布的信息熵。

$\mathcal{H}(X) = -\log C + \left[ \log (1 - \lambda) -\log \lambda \right] \mathbb{E}(X) - \log(1 - \lambda)$

返回

连续伯努利分布的信息熵。

kl_divergence(other)¶

相对于另一个连续伯努利分布的 KL 散度，两个分布需要有相同的 $\text{batch shape}$ 。

$KL\_divergence(\lambda_1, \lambda_2) = - H - \{\log C_2 + [\log \lambda_2 - \log (1-\lambda_2)] \mathbb{E}_1(X) + \log (1-\lambda_2) \}$

参数

other (ContinuousBernoulli) - 输入的另一个连续伯努利分布。

返回

相对于另一个连续伯努利分布的 KL 散度。