mindspore.nn.probability.distribution.Cauchy

class mindspore.nn.probability.distribution.Cauchy(loc=None, scale=None, seed=None, dtype=mstype.float32, name='Cauchy')[源代码]

柯西分布（Cauchy distribution）。连续随机分布，取值范围为所有实数，概率密度函数为

\[f(x, a, b) = 1 / \pi b(1 - ((x - a)/b)^2).\]

其中 \(a, b\) 为分别为柯西分布的位置参数和比例参数。

参数：

loc (int, float, list, numpy.ndarray, Tensor) - 柯西分布的位置。默认值： None 。
scale (int, float, list, numpy.ndarray, Tensor) - 柯西分布的比例。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： 'Cauchy' 。

说明

scale 中的元素必须大于零。
dtype 必须是float，因为柯西分布是连续的。
GPU后端不支持柯西分布。

异常：

ValueError - scale 中元素小于0。
TypeError - dtype 不是float的子类。

支持平台：

Ascend

样例：

>>> import mindspore
>>> import mindspore.nn as nn
>>> import mindspore.nn.probability.distribution as msd
>>> from mindspore import Tensor
>>> # To initialize a Cauchy distribution of loc 3.0 and scale 4.0.
>>> cauchy1 = msd.Cauchy(3.0, 4.0, dtype=mindspore.float32)
>>> # A Cauchy distribution can be initialized without arguments.
>>> # In this case, 'loc' and `scale` must be passed in through arguments.
>>> cauchy2 = msd.Cauchy(dtype=mindspore.float32)
>>> # Here are some tensors used below for testing
>>> value = Tensor([1.0, 2.0, 3.0], dtype=mindspore.float32)
>>> loc_a = Tensor([2.0], dtype=mindspore.float32)
>>> scale_a = Tensor([2.0, 2.0, 2.0], dtype=mindspore.float32)
>>> loc_b = Tensor([1.0], dtype=mindspore.float32)
>>> scale_b = Tensor([1.0, 1.5, 2.0], dtype=mindspore.float32)
>>> # Private interfaces of probability functions corresponding to public interfaces, including
>>> # `prob`, `log_prob`, `cdf`, `log_cdf`, `survival_function`, and `log_survival`,
>>> # have the same arguments as follows.
>>> # Args:
>>> #     value (Tensor): the value to be evaluated.
>>> #     loc (Tensor): the location of the distribution. Default: self.loc.
>>> #     scale (Tensor): the scale of the distribution. Default: self.scale.
>>> # Examples of `prob`.
>>> # Similar calls can be made to other probability functions
>>> # by replacing 'prob' by the name of the function
>>> ans = cauchy1.prob(value)
>>> print(ans.shape)
(3,)
>>> # Evaluate with respect to distribution b.
>>> ans = cauchy1.prob(value, loc_b, scale_b)
>>> print(ans.shape)
(3,)
>>> # `loc` and `scale` must be passed in during function calls
>>> ans = cauchy2.prob(value, loc_a, scale_a)
>>> print(ans.shape)
(3,)
>>> # Functions `mode` and `entropy` have the same arguments.
>>> # Args:
>>> #     loc (Tensor): the location of the distribution. Default: self.loc.
>>> #     scale (Tensor): the scale of the distribution. Default: self.scale.
>>> # Example of `mode`.
>>> ans = cauchy1.mode() # return 3.0
>>> print(ans.shape)
()
>>> ans = cauchy1.mode(loc_b, scale_b) # return loc_b
>>> print(ans.shape)
(3,)
>>> # `loc` and `scale` must be passed in during function calls.
>>> ans = cauchy2.mode(loc_a, scale_a)
>>> print(ans.shape)
(3,)
>>> # Interfaces of 'kl_loss' and 'cross_entropy' are the same:
>>> # Args:
>>> #     dist (str): the type of the distributions. Only "Cauchy" is supported.
>>> #     loc_b (Tensor): the loc of distribution b.
>>> #     scale_b (Tensor): the scale distribution b.
>>> #     loc (Tensor): the loc of distribution a. Default: self.loc.
>>> #     scale (Tensor): the scale distribution a. Default: self.scale.
>>> # Examples of `kl_loss`. `cross_entropy` is similar.
>>> ans = cauchy1.kl_loss('Cauchy', loc_b, scale_b)
>>> print(ans.shape)
(3,)
>>> ans = cauchy1.kl_loss('Cauchy', loc_b, scale_b, loc_a, scale_a)
>>> print(ans.shape)
(3,)
>>> # Additional `loc` and `scale` must be passed in.
>>> ans = cauchy2.kl_loss('Cauchy', loc_b, scale_b, loc_a, scale_a)
>>> print(ans.shape)
(3,)
>>> # Examples of `sample`.
>>> # Args:
>>> #     shape (tuple): the shape of the sample. Default: ()
>>> #     loc (Tensor): the location of the distribution. Default: self.loc.
>>> #     scale (Tensor): the scale of the distribution. Default: self.scale.
>>> ans = cauchy1.sample()
>>> print(ans.shape)
()
>>> ans = cauchy1.sample((2,3))
>>> print(ans.shape)
(2, 3)
>>> ans = cauchy1.sample((2,3), loc_b, scale_b)
>>> print(ans.shape)
(2, 3, 3)
>>> ans = cauchy2.sample((2,3), loc_a, scale_a)
>>> print(ans.shape)
(2, 3, 3)

property loc

返回分布位置。

返回：: Tensor，分布的位置值。

property scale

返回分布比例。

返回：: Tensor，分布的比例值。

cdf(value, loc, scale)

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。
loc (Tensor) - 分布位置参数。默认值： None 。
scale (Tensor) - 分布比例参数。默认值： None 。

返回：

Tensor，累积分布函数的值。

cross_entropy(dist, loc_b, scale_b, loc, scale)

计算分布a和b之间的交叉熵。

参数：

dist (str) - 分布的类型。
loc_b (Tensor) - 对比分布位置参数。
scale_b (Tensor) - 对比分布比例参数。
loc (Tensor) - 分布位置参数。默认值： None 。
scale (Tensor) - 分布比例参数。默认值： None 。

返回：

Tensor，交叉熵的值。

entropy(loc, scale)

计算熵。

参数：

loc (Tensor) - 分布位置参数。默认值： None 。
scale (Tensor) - 分布比例参数。默认值： None 。

返回：

Tensor，熵的值。

kl_loss(dist, loc_b, scale_b, loc, scale)

计算KL散度，即KL(a||b)。

参数：

dist (str) - 分布的类型。
loc_b (Tensor) - 对比分布位置参数。
scale_b (Tensor) - 对比分布比例参数。
loc (Tensor) - 分布位置参数。默认值： None 。
scale (Tensor) - 分布比例参数。默认值： None 。

返回：

Tensor，KL散度。

log_cdf(value, loc, scale)

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。
loc (Tensor) - 分布位置参数。默认值： None 。
scale (Tensor) - 分布比例参数。默认值： None 。

返回：

Tensor，累积分布函数的对数。

log_prob(value, loc, scale)

计算给定值对应的概率的对数。

参数：

value (Tensor) - 要计算的值。
loc (Tensor) - 分布位置参数。默认值： None 。
scale (Tensor) - 分布比例参数。默认值： None 。

返回：

Tensor，累积分布函数的对数。

log_survival(value, loc, scale)

计算给定值对应的生存函数的对数。

参数：

value (Tensor) - 要计算的值。
loc (Tensor) - 分布位置参数。默认值： None 。
scale (Tensor) - 分布比例参数。默认值： None 。

返回：

Tensor，生存函数的对数。

mean(loc, scale)

计算期望。

参数：

loc (Tensor) - 分布位置参数。默认值： None 。
scale (Tensor) - 分布比例参数。默认值： None 。

返回：

Tensor，概率分布的期望。

mode(loc, scale)

计算众数。

参数：

loc (Tensor) - 分布位置参数。默认值： None 。
scale (Tensor) - 分布比例参数。默认值： None 。

返回：

Tensor，概率分布的众数。

prob(value, loc, scale)

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。
loc (Tensor) - 分布位置参数。默认值： None 。
scale (Tensor) - 分布比例参数。默认值： None 。

返回：

Tensor，概率值。

sample(shape, loc, scale)

采样函数。

参数：

shape (tuple) - 样本的shape。
loc (Tensor) - 分布位置参数。默认值： None 。
scale (Tensor) - 分布比例参数。默认值： None 。

返回：

Tensor，根据概率分布采样的样本。

sd(loc, scale)

计算标准差。

参数：

loc (Tensor) - 分布位置参数。默认值： None 。
scale (Tensor) - 分布比例参数。默认值： None 。

返回：

Tensor，概率分布的标准差。

survival_function(value, loc, scale)

计算给定值对应的生存函数。

参数：

value (Tensor) - 要计算的值。
loc (Tensor) - 分布位置参数。默认值： None 。
scale (Tensor) - 分布比例参数。默认值： None 。

返回：

Tensor，生存函数的值。

var(loc, scale)

计算方差。

参数：

loc (Tensor) - 分布位置参数。默认值： None 。
scale (Tensor) - 分布比例参数。默认值： None 。

返回：

Tensor，概率分布的方差。