ContinuousBernoulli¶

class paddle.distribution. ContinuousBernoulli ( probs, lims=(0.499, 0.501) ) ¶

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¶

COPY-FROM: paddle.distribution.ContinuousBernoulli

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。