mindspore.nn.probability.distribution.StudentT

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

StudentT分布(StudentT distribution)。 连续随机分布,取值范围为 \((-\inf, \inf)\) ,概率密度函数为

\[f(x, \nu, \mu, \sigma) = (1 + y^2 / \nu)^{(-0.5*(\nu + 1))} / Z\]

其中 \(y = (x - \mu) / \sigma\), \(Z = abs(\sigma) * \sqrt(\nu * \pi) * \Gamma(0.5 * \nu) / \Gamma(0.5 * (\nu + 1))\), \(\nu, \mu, \sigma\) 为分别为StudentT分布的自由度,期望与标准差。

参数:
  • df (int, float, list, numpy.ndarray, Tensor) - StudentT分布的自由度。默认值:None。

  • mean (int, float, list, numpy.ndarray, Tensor) - StudentT分布的平均值。默认值:None。

  • sd (int, float, list, numpy.ndarray, Tensor) - StudentT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:’StudentT’。

说明

  • df 必须大于0。

  • sd 必须大于0。

  • dtype 必须是float,因为StudentT分布是连续的。

异常:
  • ValueError - df 中元素不大于0。

  • ValueError - sd 中元素不大于0。

  • TypeError - dtype 不是float的子类。

支持平台:

CPU

样例:

>>> import mindspore
>>> import mindspore.nn as nn
>>> import mindspore.nn.probability.distribution as msd
>>> from mindspore import Tensor
>>> # To initialize a StudentT distribution of the df 2.0, the mean 3.0 and the standard deviation 4.0.
>>> n1 = msd.StudentT(2.0, 3.0, 4.0, dtype=mindspore.float32)
>>> # A StudentT distribution can be initialized without arguments.
>>> # In this case, `df`, `mean` and `sd` must be passed in through arguments.
>>> n2 = msd.StudentT(dtype=mindspore.float32)
>>> # Here are some tensors used below for testing
>>> value = Tensor([1.0, 2.0, 3.0], dtype=mindspore.float32)
>>> df_a = Tensor([2.0], dtype=mindspore.float32)
>>> mean_a = Tensor([2.0], dtype=mindspore.float32)
>>> sd_a = Tensor([2.0, 2.0, 2.0], dtype=mindspore.float32)
>>> df_b = Tensor([1.0], 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, df_b, mean_b, sd_b)
>>> print(ans.shape)
(3,)
>>> # `mean` and `sd` must be passed in during function calls
>>> ans = n2.log_prob(value, df_a, mean_a, sd_a)
>>> print(ans.shape)
(3,)
log_prob(value, df=None, 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。

  • df (Tensor) - 分布的自由度。默认值:None。

  • 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。