Dirichlet

class paddle.distribution. Dirichlet ( concentration ) [源代码]

狄利克雷分布(Dirichlet distribution)是一类在实数域以正单纯形(standard simplex)为支撑集的高维连续概率分布,是 Beta 分布在高维情形的推广。

对独立同分布(independent and identically distributed, iid)的连续随机变量 \(\boldsymbol X \in R_k\),和支撑集 \(\boldsymbol X \in (0,1), ||\boldsymbol X|| = 1\),其概率密度函数(pdf)为:

\[f(\boldsymbol X; \boldsymbol \alpha) = \frac{1}{B(\boldsymbol \alpha)} \prod_{i=1}^{k}x_i^{\alpha_i-1}\]

其中,\(\boldsymbol \alpha = {\alpha_1,...,\alpha_k}, k \ge 2\) 是无量纲分布参数,\(B(\boldsymbol \alpha)\) 是多元 Beta 函数。

\[B(\boldsymbol \alpha) = \frac{\prod_{i=1}^{k} \Gamma(\alpha_i)}{\Gamma(\alpha_0)}\]

\(\alpha_0=\sum_{i=1}^{k} \alpha_i\) 是分布参数的和,\(\Gamma(\alpha)\) 为 Gamma 函数。

参数

  • concentration (Tensor) - 浓度参数,即上述公式 \(\alpha\) 参数。当 concentration 维度大于 1 时,最后一维表示参数,参数形状 event_shape=concentration.shape[-1:],其余维为 Batch 维, batch_shape=concentration.shape[:-1] .

代码示例

>>> import paddle
>>> dirichlet = paddle.distribution.Dirichlet(paddle.to_tensor([1., 2., 3.]))
>>> print(dirichlet.entropy())
Tensor(shape=[], dtype=float32, place=Place(cpu), stop_gradient=True,
-1.24434423)

>>> print(dirichlet.prob(paddle.to_tensor([.3, .5, .6])))
Tensor(shape=[], dtype=float32, place=Place(cpu), stop_gradient=True,
10.80000019)

方法

mean

分布均值。

variance

分布方差。

prob(value)

计算 value 的概率。

参数

  • value (Tensor) - 待计算值。

返回

  • Tensor: value 的概率。

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。

sample()

从 Beta 分布中生成满足特定形状的样本数据。

参数

  • shape (Sequence[int],可选) - 采样次数,最终生成样本形状为 shape+batch_shape+event_shape

返回

  • Tensor:样本数据。

entropy()

计算 Beta 分布的信息熵。