mindspore.nn.probability.distribution.Laplace

class mindspore.nn.probability.distribution.Laplace(mean=None, sd=None, seed=None, dtype=mstype.float32, name='Laplace')[源代码]

拉普拉斯分布（Laplace distribution）。连续随机分布，取值范围为 \((-\inf, \inf)\) ，概率密度函数为

\[f(x, \mu, b) = 1 / (2. * b) * \exp(-abs(x - \mu) / b).\]

其中 \(\mu, b\) 为分别为拉普拉斯分布的期望与扩散度。

参数：

mean (int, float, list, numpy.ndarray, Tensor) - 拉普拉斯分布的平均值。默认值：None。
sd (int, float, list, numpy.ndarray, Tensor) - 拉普拉斯分布的扩散度。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：’Laplace’。

说明

sd 必须大于0。
dtype 必须是float，因为拉普拉斯分布是连续的。

异常：

ValueError - sd 中元素不大于0。
TypeError - dtype 不是float的子类。

支持平台：

Ascend GPU CPU

样例：

>>> import mindspore
>>> import mindspore.nn as nn
>>> from mindspore.nn.probability.distribution import Laplace
>>> from mindspore import Tensor
>>> # To initialize a Laplace distribution of the mean 3.0 and the standard deviation 4.0.
>>> n1 = Laplace(3.0, 4.0, dtype=mindspore.float32)
>>> # A Laplace distribution can be initialized without arguments.
>>> # In this case, `mean` and `sd` must be passed in through arguments.
>>> n2 = Laplace(dtype=mindspore.float32)
>>> # Here are some tensors used below for testing
>>> value = Tensor([1.0, 2.0, 3.0], dtype=mindspore.float32)
>>> mean_a = Tensor([2.0], dtype=mindspore.float32)
>>> sd_a = Tensor([2.0, 2.0, 2.0], dtype=mindspore.float32)
>>> mean_b = Tensor([1.0], dtype=mindspore.float32)
>>> sd_b = Tensor([1.0, 1.5, 2.0], dtype=mindspore.float32)
>>> ans = n1.log_prob(value)
>>> print(ans.shape)
(3,)
>>> # Evaluate with respect to the distribution b.
>>> ans = n1.log_prob(value, mean_b, sd_b)
>>> print(ans.shape)
(3,)
>>> # `mean` and `sd` must be passed in during function calls
>>> ans = n2.log_prob(value, mean_a, sd_a)
>>> print(ans.shape)
(3,)

log_prob(value, mean=None, sd=None)

计算给定值对应的概率的对数。

参数：

value (Tensor) - 要计算的值。
mean (Tensor) - 分布的期望。默认值：None。
sd (Tensor) - 分布的扩散度。默认值：None。

返回：

Tensor，概率密度函数的对数。