mindspore.ops.multinomial

mindspore.ops.multinomial(input, num_samples, replacement=True, seed=None)

生成一个多项式分布的tensor。

多项式分布是一种概率分布，把二项分布公式推广至多种状态，就得到了多项式分布。在多项式分布中，每个事件都有一个固定的概率，这些概率的和为1。

本接口的作用是对输入 input 进行 num_samples 次抽样，输出的tensor则为每一次抽样时输入tensor的索引，其中 input 中的值为每次抽样取到对应索引的概率。

这里我们给一个相对极端的用例方便理解，我们给定一个输入概率值tensor，值为 [90 / 100, 10 / 100, 0] ，代表我们一共可以对三个索引进行抽样，分别为索引0、索引1和索引2，它们被抽中的概率分别为90%、10%和0%，我们对其进行n次抽样，抽样的结果则为多项式分布的计算结果，计算结果长度与抽样次数一致。

在样例代码case 1中，我们对其进行两次不放回抽样（replacement 为 False），由于每次抽样抽到索引0的概率为90%，因此抽到的结果第一次大概率是抽到索引0，由于抽到索引2的概率为0，因此抽样两次结果不可能出现索引2，那第二次结果一定是索引1，因此结果序列为 [0, 1]。

在样例代码case 2中，我们对其进行10次放回抽样（replacement 为 True），可以看到计算结果中大概有90%的抽样结果为抽到索引0，符合预期。

在样例代码case 3中，我们将输入扩展为二维，可以看到抽样结果在每一个维度中的结果也符合抽样预期。

说明

输入的行不需要求和为1（当使用值作为权重的情况下），但必须是非负的、有限的，并且和不能为0。在使用值作为权重的情况下，可以理解为对输入沿最后一维进行了归一化操作，以此保证概率和为1。

警告

Ascend后端不支持随机数重现功能， seed 参数不起作用。

参数：

• input (Tensor) - 包含概率值的tensor。

• num_samples (int) - 采样的次数。

• replacement (bool，可选) - 是否放回，默认 True 。

• seed (int，可选) - 随机种子，默认 None 。

返回：

Tensor

支持平台：

Ascend GPU CPU

样例：

>>> import mindspore
>>> # case 1: The output is random, and the length of the output is the same as num_sample.
>>> # replacement is False.
>>> input1 = mindspore.tensor([90 / 100, 10 / 100, 0])
>>> input2 = mindspore.tensor([90, 10, 0])
>>> # input1 and input2 have the same meaning.
>>> mindspore.ops.multinomial(input1, 2, replacement=False)
Tensor(shape=[2], dtype=Int32, value= [0, 1])
>>> mindspore.ops.multinomial(input2, 2, replacement=False)
Tensor(shape=[2], dtype=Int32, value= [1, 0])
>>>
>>> # case 2: The output is random, and the length of the output is the same as num_sample.
>>> # replacement is True.
>>> mindspore.ops.multinomial(input1, 10)
Tensor(shape=[10], dtype=Int32, value= [0, 0, 1, 0, 0, 0, 0, 0, 0, 0])
>>>
>>> # case 3: The output is random, and the length of the output is the same as num_sample.
>>> # replacement is True.
>>> # rank is 2
>>> input3 = mindspore.tensor([[90, 10, 0], [10, 90, 0]], mindspore.float32)
>>> output = mindspore.ops.multinomial(input3, 10)
>>> print(output)
[[0 0 0 0 0 0 0 0 0 0]
 [1 0 1 1 1 1 1 1 1 1]]