mindspore.ops.Gamma

class mindspore.ops.Gamma(seed=0, seed2=0)

根据概率密度函数分布生成随机正值浮点数x。函数定义如下：

\[\text{P}(x|α,β) = \frac{\exp(-x/β)}{{β^α}\cdot{\Gamma(α)}}\cdot{x^{α-1}}\]

说明

• 随机种子：通过一些复杂的数学算法，可以得到一组有规律的随机数，而随机种子就是这个随机数的初始值。随机种子相同，得到的随机数就不会改变。

• 全局的随机种子和算子层的随机种子都没设置：使用默认值当做随机种子。

• 全局的随机种子设置了，算子层的随机种子未设置：随机生成一个种子和全局的随机种子拼接。

• 全局的随机种子未设置，算子层的随机种子设置了：使用默认的全局的随机种子，和算子层的随机种子拼接。

• 全局的随机种子和算子层的随机种子都设置了：全局的随机种子和算子层的随机种子拼接。

参数：

• seed (int) - 算子层的随机种子，用于生成随机数。必须是非负的。默认值：0。

• seed2 (int) - 全局的随机种子，和算子层的随机种子共同决定最终生成的随机数。必须是非负的。默认值：0。

输入：

• shape (tuple) - 待生成的随机Tensor的shape。只支持常量值。

• alpha (Tensor) - α为Gamma分布的shape parameter，主要决定了曲线的形状。其值必须大于0。数据类型为float32。

• beta (Tensor) - β为Gamma分布的inverse scale parameter，主要决定了曲线有多陡。其值必须大于0。数据类型为float32。

输出：

Tensor。shape是输入 shape， alpha， beta 广播后的shape。数据类型为float32。

异常：

• TypeError - seed 或 seed2 的数据类型不是int。

• TypeError - alpha 或 beta 不是Tensor。

• TypeError - alpha 或 beta 的数据类型不是float32。

• ValueError - shape 不是常量值。

支持平台：

Ascend

样例：

>>> shape = (3, 1, 2)
>>> alpha = Tensor(np.array([[3, 4], [5, 6]]), mstype.float32)
>>> beta = Tensor(np.array([1.0]), mstype.float32)
>>> gamma = ops.Gamma(seed=3)
>>> output = gamma(shape, alpha, beta)
>>> result = output.shape
>>> print(result)
(3, 2, 2)