mindspore.nn.probability.distribution.Beta

查看源文件
class mindspore.nn.probability.distribution.Beta(concentration1=None, concentration0=None, seed=None, dtype=mstype.float32, name='Beta')[源代码]

Beta 分布(Beta Distribution)。 连续随机分布,取值范围为 \([0, 1]\) ,概率密度函数为

\[f(x, \alpha, \beta) = x^\alpha (1-x)^{\beta - 1} / B(\alpha, \beta)\]

其中 \(B\) 为 Beta 函数。

参数:
  • concentration1 (int, float, list, numpy.ndarray, Tensor) - Beta 分布的alpha。默认值: None

  • concentration0 (int, float, list, numpy.ndarray, Tensor) - Beta 分布的beta。默认值: None

  • seed (int) - 采样时使用的种子。如果为None,则使用全局种子。默认值: None

  • dtype (mindspore.dtype) - 采样结果的数据类型。默认值: mstype.float32

  • name (str) - 分布的名称。默认值: 'Beta'

说明

  • concentration1concentration0 中元素必须大于零。

  • dist_spec_argsconcentration1concentration0

  • dtype 必须是float,因为 Beta 分布是连续的。

异常:
  • ValueError - concentration1 或者 concentration0 中元素小于0。

  • TypeError - dtype 不是float的子类。

支持平台:

Ascend

样例:

>>> import mindspore
>>> import mindspore.nn as nn
>>> import mindspore.nn.probability.distribution as msd
>>> from mindspore import Tensor
>>> # To initialize a Beta distribution of the concentration1 3.0 and the concentration0 4.0.
>>> b1 = msd.Beta([3.0], [4.0], dtype=mindspore.float32)
>>> # A Beta distribution can be initialized without arguments.
>>> # In this case, `concentration1` and `concentration0` must be passed in through arguments.
>>> b2 = msd.Beta(dtype=mindspore.float32)
>>> # Here are some tensors used below for testing
>>> value = Tensor([0.1, 0.5, 0.8], dtype=mindspore.float32)
>>> concentration1_a = Tensor([2.0], dtype=mindspore.float32)
>>> concentration0_a = Tensor([2.0, 2.0, 2.0], dtype=mindspore.float32)
>>> concentration1_b = Tensor([1.0], dtype=mindspore.float32)
>>> concentration0_b = Tensor([1.0, 1.5, 2.0], dtype=mindspore.float32)
>>> # Private interfaces of probability functions corresponding to public interfaces, including
>>> # `prob` and `log_prob`, have the same arguments as follows.
>>> # Args:
>>> #     value (Tensor): the value to be evaluated.
>>> #     concentration1 (Tensor): the concentration1 of the distribution. Default: self._concentration1.
>>> #     concentration0 (Tensor): the concentration0 of the distribution. Default: self._concentration0.
>>> # Examples of `prob`.
>>> # Similar calls can be made to other probability functions
>>> # by replacing 'prob' by the name of the function
>>> ans = b1.prob(value)
>>> print(ans.shape)
(3,)
>>> # Evaluate with respect to the distribution b.
>>> ans = b1.prob(value, concentration1_b, concentration0_b)
>>> print(ans.shape)
(3,)
>>> # `concentration1` and `concentration0` must be passed in during function calls
>>> ans = b2.prob(value, concentration1_a, concentration0_a)
>>> print(ans.shape)
(3,)
>>> # Functions `mean`, `sd`, `mode`, `var`, and `entropy` have the same arguments.
>>> # Args:
>>> #     concentration1 (Tensor): the concentration1 of the distribution. Default: self._concentration1.
>>> #     concentration0 (Tensor): the concentration0 of the distribution. Default: self._concentration0.
>>> # Example of `mean`, `sd`, `mode`, `var`, and `entropy` are similar.
>>> ans = b1.mean()
>>> print(ans.shape)
(1,)
>>> ans = b1.mean(concentration1_b, concentration0_b)
>>> print(ans.shape)
(3,)
>>> # `concentration1` and `concentration0` must be passed in during function calls.
>>> ans = b2.mean(concentration1_a, concentration0_a)
>>> print(ans.shape)
(3,)
>>> # Interfaces of 'kl_loss' and 'cross_entropy' are the same:
>>> # Args:
>>> #     dist (str): the type of the distributions. Only "Beta" is supported.
>>> #     concentration1_b (Tensor): the concentration1 of distribution b.
>>> #     concentration0_b (Tensor): the concentration0 of distribution b.
>>> #     concentration1_a (Tensor): the concentration1 of distribution a.
>>> #       Default: self._concentration1.
>>> #     concentration0_a (Tensor): the concentration0 of distribution a.
>>> #       Default: self._concentration0.
>>> # Examples of `kl_loss`. `cross_entropy` is similar.
>>> ans = b1.kl_loss('Beta', concentration1_b, concentration0_b)
>>> print(ans.shape)
(3,)
>>> ans = b1.kl_loss('Beta', concentration1_b, concentration0_b, concentration1_a, concentration0_a)
>>> print(ans.shape)
(3,)
>>> # Additional `concentration1` and `concentration0` must be passed in.
>>> ans = b2.kl_loss('Beta', concentration1_b, concentration0_b, concentration1_a, concentration0_a)
>>> print(ans.shape)
(3,)
>>> # Examples of `sample`.
>>> # Args:
>>> #     shape (tuple): the shape of the sample. Default: ()
>>> #     concentration1 (Tensor): the concentration1 of the distribution. Default: self._concentration1.
>>> #     concentration0 (Tensor): the concentration0 of the distribution. Default: self._concentration0.
>>> ans = b1.sample()
>>> print(ans.shape)
(1,)
>>> ans = b1.sample((2,3))
>>> print(ans.shape)
(2, 3, 1)
>>> ans = b1.sample((2,3), concentration1_b, concentration0_b)
>>> print(ans.shape)
(2, 3, 3)
>>> ans = b2.sample((2,3), concentration1_a, concentration0_a)
>>> print(ans.shape)
(2, 3, 3)
property concentration0

返回concentration0(也称为 Beta 分布的 beta)。

返回:

Tensor,concentration0 的值。

property concentration1

返回concentration1(也称为 Beta 分布的 alpha)。

返回:

Tensor,concentration1 的值。

cdf(value, concentration1, concentration0)

在给定值下计算累积分布函数(Cumulatuve Distribution Function, CDF)。

参数:
  • value (Tensor) - 要计算的值。

  • concentration1 (Tensor) - Beta 分布的 alpha。默认值: None

  • concentration0 (Tensor) - Beta 分布的 beta。默认值: None

返回:

Tensor,累积分布函数的值。

cross_entropy(dist, concentration1_b, concentration0_b, concentration1, concentration0)

计算分布a和b之间的交叉熵。

参数:
  • dist (str) - 分布的类型。

  • concentration1_b (Tensor) - 对比 Beta 分布的 alpha。

  • concentration0_b (Tensor) - 对比 Beta 分布的 beta。

  • concentration1 (Tensor) - Beta 分布的 alpha。默认值: None

  • concentration0 (Tensor) - Beta 分布的 beta。默认值: None

返回:

Tensor,交叉熵的值。

entropy(concentration1, concentration0)

计算熵。

参数:
  • concentration1 (Tensor) - Beta 分布的 alpha。默认值: None

  • concentration0 (Tensor) - Beta 分布的 beta。默认值: None

返回:

Tensor,熵的值。

kl_loss(dist, concentration1_b, concentration0_b, concentration1, concentration0)

计算KL散度,即KL(a||b)。

参数:
  • dist (str) - 分布的类型。

  • concentration1_b (Tensor) - 对比 Beta 分布的 alpha。

  • concentration0_b (Tensor) - 对比 Beta 分布的 beta。

  • concentration1 (Tensor) - Beta 分布的 alpha。默认值: None

  • concentration0 (Tensor) - Beta 分布的 beta。默认值: None

返回:

Tensor,KL散度。

log_cdf(value, concentration1, concentration0)

计算给定值对于的累积分布函数的对数。

参数:
  • value (Tensor) - 要计算的值。

  • concentration1 (Tensor) - Beta 分布的 alpha。默认值: None

  • concentration0 (Tensor) - Beta 分布的 beta。默认值: None

返回:

Tensor,累积分布函数的对数。

log_prob(value, concentration1, concentration0)

计算给定值对应的概率的对数。

参数:
  • value (Tensor) - 要计算的值。

  • concentration1 (Tensor) - Beta 分布的 alpha。默认值: None

  • concentration0 (Tensor) - Beta 分布的 beta。默认值: None

返回:

Tensor,累积分布函数的对数。

log_survival(value, concentration1, concentration0)

计算给定值对应的生存函数的对数。

参数:
  • value (Tensor) - 要计算的值。

  • concentration1 (Tensor) - Beta 分布的 alpha。默认值: None

  • concentration0 (Tensor) - Beta 分布的 beta。默认值: None

返回:

Tensor,生存函数的对数。

mean(concentration1, concentration0)

计算期望。

参数:
  • concentration1 (Tensor) - Beta 分布的 alpha。默认值: None

  • concentration0 (Tensor) - Beta 分布的 beta。默认值: None

返回:

Tensor,概率分布的期望。

mode(concentration1, concentration0)

计算众数。

参数:
  • concentration1 (Tensor) - Beta 分布的 alpha。默认值: None

  • concentration0 (Tensor) - Beta 分布的 beta。默认值: None

返回:

Tensor,概率分布的众数。

prob(value, concentration1, concentration0)

计算给定值下的概率。对于连续是计算概率密度函数(Probability Density Function)。

参数:
  • value (Tensor) - 要计算的值。

  • concentration1 (Tensor) - Beta 分布的 alpha。默认值: None

  • concentration0 (Tensor) - Beta 分布的 beta。默认值: None

返回:

Tensor,概率值。

sample(shape, concentration1, concentration0)

采样函数。

参数:
  • shape (tuple) - 样本的shape。

  • concentration1 (Tensor) - Beta 分布的 alpha。默认值: None

  • concentration0 (Tensor) - Beta 分布的 beta。默认值: None

返回:

Tensor,根据概率分布采样的样本。

sd(concentration1, concentration0)

计算标准差。

参数:
  • concentration1 (Tensor) - Beta 分布的 alpha。默认值: None

  • concentration0 (Tensor) - Beta 分布的 beta。默认值: None

返回:

Tensor,概率分布的标准差。

survival_function(value, concentration1, concentration0)

计算给定值对应的生存函数。

参数:
  • value (Tensor) - 要计算的值。

  • concentration1 (Tensor) - Beta 分布的 alpha。默认值: None

  • concentration0 (Tensor) - Beta 分布的 beta。默认值: None

返回:

Tensor,生存函数的值。

var(concentration1, concentration0)

计算方差。

参数:
  • concentration1 (Tensor) - Beta 分布的 alpha。默认值: None

  • concentration0 (Tensor) - Beta 分布的 beta。默认值: None

返回:

Tensor,概率分布的方差。