mindspore.nn.probability.distribution.Exponential

class mindspore.nn.probability.distribution.Exponential(rate=None, seed=None, dtype=mstype.float32, name='Exponential')

指数分布（Exponential Distribution）。 连续随机分布，取值范围为所有实数，概率密度函数为

\[f(x, \lambda) = \lambda \exp(-\lambda x).\]

其中 \(\lambda\) 为分别为指数分布的率参数。

参数：

• rate (int, float, list, numpy.ndarray, Tensor) - 率参数。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) - 事件样例的类型。默认值：mstype.float32。

• name (str) - 分布的名称。默认值：’Exponential’。

说明

• rate 中的元素必须大于0。

• dtype 必须是float，因为指数分布是连续的。

异常：

• ValueError - rate 中元素小于0。

• TypeError - dtype 不是float的子类。

支持平台：

Ascend GPU

样例：

>>> import mindspore
>>> import mindspore.nn as nn
>>> import mindspore.nn.probability.distribution as msd
>>> from mindspore import Tensor
>>> # To initialize a Exponential distribution of the probability 0.5.
>>> e1 = msd.Exponential(0.5, dtype=mindspore.float32)
>>> # An Exponential distribution can be initialized without arguments.
>>> # In this case, `rate` must be passed in through `args` during function calls.
>>> e2 = msd.Exponential(dtype=mindspore.float32)
>>> # Here are some tensors used below for testing
>>> value = Tensor([1, 2, 3], dtype=mindspore.float32)
>>> rate_a = Tensor([0.6], dtype=mindspore.float32)
>>> rate_b = Tensor([0.2, 0.5, 0.4], dtype=mindspore.float32)
>>> # Private interfaces of probability functions corresponding to public interfaces, including
>>> # `prob`, `log_prob`, `cdf`, `log_cdf`, `survival_function`, and `log_survival`, are the same as follows.
>>> # Args:
>>> #     value (Tensor): the value to be evaluated.
>>> #     rate (Tensor): the rate of the distribution. Default: self.rate.
>>> # Examples of `prob`.
>>> # Similar calls can be made to other probability functions
>>> # by replacing `prob` by the name of the function.
>>> ans = e1.prob(value)
>>> print(ans.shape)
(3,)
>>> # Evaluate with respect to distribution b.
>>> ans = e1.prob(value, rate_b)
>>> print(ans.shape)
(3,)
>>> # `rate` must be passed in during function calls.
>>> ans = e2.prob(value, rate_a)
>>> print(ans.shape)
(3,)
>>> # Functions `mean`, `sd`, 'var', and 'entropy' have the same arguments as follows.
>>> # Args:
>>> #     rate (Tensor): the rate of the distribution. Default: self.rate.
>>> # Examples of `mean`. `sd`, `var`, and `entropy` are similar.
>>> ans = e1.mean() # return 2
>>> print(ans.shape)
()
>>> ans = e1.mean(rate_b) # return 1 / rate_b
>>> print(ans.shape)
(3,)
>>> # `rate` must be passed in during function calls.
>>> ans = e2.mean(rate_a)
>>> print(ans.shape)
(1,)
>>> # Interfaces of `kl_loss` and `cross_entropy` are the same.
>>> # Args:
>>> #     dist (str): The name of the distribution. Only 'Exponential' is supported.
>>> #     rate_b (Tensor): the rate of distribution b.
>>> #     rate_a (Tensor): the rate of distribution a. Default: self.rate.
>>> # Examples of `kl_loss`. `cross_entropy` is similar.
>>> ans = e1.kl_loss('Exponential', rate_b)
>>> print(ans.shape)
(3,)
>>> ans = e1.kl_loss('Exponential', rate_b, rate_a)
>>> print(ans.shape)
(3,)
>>> # An additional `rate` must be passed in.
>>> ans = e2.kl_loss('Exponential', rate_b, rate_a)
>>> print(ans.shape)
(3,)
>>> # Examples of `sample`.
>>> # Args:
>>> #     shape (tuple): the shape of the sample. Default: ()
>>> #     probs1 (Tensor): the rate of the distribution. Default: self.rate.
>>> ans = e1.sample()
>>> print(ans.shape)
()
>>> ans = e1.sample((2,3))
>>> print(ans.shape)
(2, 3)
>>> ans = e1.sample((2,3), rate_b)
>>> print(ans.shape)
(2, 3, 3)
>>> ans = e2.sample((2,3), rate_a)
>>> print(ans.shape)
(2, 3, 1)

property rate

返回 rate 。

返回：

Tensor，率参数的值。

cdf(value, rate)

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。

• rate (Tensor) - 分布的率参数。默认值：None。

返回：

Tensor，累积分布函数的值。

cross_entropy(dist, rate_b, rate)

计算分布a和b之间的交叉熵。

参数：

• dist (str) - 分布的类型。

• rate_b (Tensor) - 对比分布的率参数。

• rate (Tensor) - 分布的率参数。默认值：None。

返回：

Tensor，交叉熵的值。

entropy(rate)

计算熵。

参数：

• rate (Tensor) - 分布的率参数。默认值：None。

返回：

Tensor，熵的值。

kl_loss(dist, rate_b, rate)

计算KL散度，即KL(a||b)。

参数：

• dist (str) - 分布的类型。

• rate_b (Tensor) - 对比分布的率参数。

• rate (Tensor) - 分布的率参数。默认值：None。

返回：

Tensor，KL散度。

log_cdf(value, rate)

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。

• rate (Tensor) - 分布的率参数。默认值：None。

返回：

Tensor，累积分布函数的对数。

log_prob(value, rate)

计算给定值对应的概率的对数。

参数：

• value (Tensor) - 要计算的值。

• rate (Tensor) - 分布的率参数。默认值：None。

返回：

Tensor，累积分布函数的对数。

log_survival(value, rate)

计算给定值对应的生存函数的对数。

参数：

• value (Tensor) - 要计算的值。

• rate (Tensor) - 分布的率参数。默认值：None。

返回：

Tensor，生存函数的对数。

mean(rate)

计算期望。

参数：

• rate (Tensor) - 分布的率参数。默认值：None。

返回：

Tensor，概率分布的期望。

mode(rate)

计算众数。

参数：

• rate (Tensor) - 分布的率参数。默认值：None。

返回：

Tensor，概率分布的众数。

prob(value, rate)

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。

• rate (Tensor) - 分布的率参数。默认值：None。

返回：

Tensor，概率值。

sample(shape, rate)

采样函数。

参数：

• shape (tuple) - 样本的shape。

• rate (Tensor) - 分布的率参数。默认值：None。

返回：

Tensor，根据概率分布采样的样本。

sd(rate)

计算标准差。

参数：

• rate (Tensor) - 分布的率参数。默认值：None。

返回：

Tensor，概率分布的标准差。

survival_function(value, rate)

计算给定值对应的生存函数。

参数：

• value (Tensor) - 要计算的值。

• rate (Tensor) - 分布的率参数。默认值：None。

返回：

Tensor，生存函数的值。

var(rate)

计算方差。

参数：

• rate (Tensor) - 分布的率参数。默认值：None。

返回：

Tensor，概率分布的方差。