mindspore.nn.probability.distribution.TransformedDistribution

class mindspore.nn.probability.distribution.TransformedDistribution(bijector, distribution, seed=None, name='transformed_distribution')[源代码]

转换分布（Transformed Distribution）。 该类包含一个Bijector和一个分布，并通过Bijector定义的操作将原始分布转换为新分布。可如果原始分布为 \(X\) ，Bijector的映射函数为 \(g\)，那么对应的转换分布为 \(Y = g(X)\) 。

参数：

  • bijector (Bijector) - 要执行的转换。

  • distribution (Distribution) - 原始分布。必须具有float数据类型。

  • 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。如果在初始化TransformedDistribution对象时给出了此种子，则对象的采样函数将使用此种子；否则，将使用基础分布的种子。

  • name (str) - 转换分布的名称。默认值：’transformed_distribution’。

Note

用于初始化原始分布的参数不能为None。例如，由于未指定 mean 和 sd ，因此无法使用mynormal = msd.Normal(dtype=mindspore.float32)初始化TransformedDistribution。 batch_shape 为原始分布的 batch 的 shape。 broadcast_shape 为原始分布和概率映射经过广播后的 shape。 is_scalar_batch 为 True 当且仅当原始分布和概率映射的 batch 均为标量。 default_parameters、 parameter_names 和 parameter_type 由原始分布的数据类型决定。 衍生类可以通过调用 reset_parameters 后再调用 add_parameter 来添加参数以覆盖 default_parameters 和 parameter_names 。

异常：

  • TypeError - bijector不是Bijector类。

  • TypeError - distribution不是Distribution类。

支持平台：

Ascend GPU CPU

样例：

>>> import numpy as np
>>> import mindspore
>>> import mindspore.nn as nn
>>> import mindspore.nn.probability.distribution as msd
>>> import mindspore.nn.probability.bijector as msb
>>> from mindspore import Tensor
>>> class Net(nn.Cell):
...     def __init__(self, shape, dtype=mindspore.float32, seed=0, name='transformed_distribution'):
...         super(Net, self).__init__()
...         # create TransformedDistribution distribution
...         self.exp = msb.Exp()
...         self.normal = msd.Normal(0.0, 1.0, dtype=dtype)
...         self.lognormal = msd.TransformedDistribution(self.exp, self.normal, seed=seed, name=name)
...         self.shape = shape
...
...     def construct(self, value):
...         cdf = self.lognormal.cdf(value)
...         sample = self.lognormal.sample(self.shape)
...         return cdf, sample
>>> shape = (2, 3)
>>> net = Net(shape=shape, name="LogNormal")
>>> x = np.array([2.0, 3.0, 4.0, 5.0]).astype(np.float32)
>>> tx = Tensor(x, dtype=mindspore.float32)
>>> cdf, sample = net(tx)
>>> print(sample.shape)
(2, 3)
property bijector

返回概率映射函数。

返回：

Bijector，概率映射函数。

property distribution

返回变化前的概率分布。

返回：

Distribution，变化前的概率分布。

property dtype

返回分布的数据类型。

返回：

mindspore.dtype，分布的数据类型。

property is_linear_transformation

返回概率映射函数是否为线性映射。

返回：

Bool，概率映射函数为线性映射则返回True，否则返回False。

cdf(value)

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。

返回：

Tensor，累积分布函数的值。

log_cdf(value)

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。

返回：

Tensor，累积分布函数的对数。

log_prob(value)

计算给定值对应的概率的对数。

参数：

  • value (Tensor) - 要计算的值。

返回：

Tensor，累积分布函数的对数。

log_survival(value)

计算给定值对应的生存函数的对数。

参数：

  • value (Tensor) - 要计算的值。

返回：

Tensor，生存函数的对数。

mean()

计算期望。

返回：

Tensor，概率分布的期望。

prob(value)

计算给定值下的概率。

参数：

  • value (Tensor) - 要计算的值。

返回：

Tensor，概率值。

sample(shape)

采样函数。

参数：

  • shape (tuple) - 样本的shape。

返回：

Tensor，根据概率分布采样的样本。

survival_function(value)

计算给定值对应的生存函数。

参数：

  • value (Tensor) - 要计算的值。

返回：

Tensor，生存函数的值。