文档反馈

问题文档片段

问题文档片段包含公式时，显示为空格。

提交类型

issue

有点复杂...

找人问问吧。

PR

小问题，全程线上修改...

一键搞定！

请选择提交类型

问题类型

规范和低错类

- 规范和低错类：

- 错别字或拼写错误，标点符号使用错误、公式错误或显示异常。

- 链接错误、空单元格、格式错误。

- 英文中包含中文字符。

- 界面和描述不一致，但不影响操作。

- 表述不通顺，但不影响理解。

- 版本号不匹配：如软件包名称、界面版本号。

易用性

- 易用性：

- 关键步骤错误或缺失，无法指导用户完成任务。

- 缺少主要功能描述、关键词解释、必要前提条件、注意事项等。

- 描述内容存在歧义指代不明、上下文矛盾。

- 逻辑不清晰，该分类、分项、分步骤的没有给出。

正确性

- 正确性：

- 技术原理、功能、支持平台、参数类型、异常报错等描述和软件实现不一致。

- 原理图、架构图等存在错误。

- 命令、命令参数等错误。

- 代码片段错误。

- 命令无法完成对应功能。

- 界面错误，无法指导操作。

- 代码样例运行报错、运行结果不符。

风险提示

- 风险提示：

- 对重要数据或系统存在风险的操作，缺少安全提示。

内容合规

- 内容合规：

- 违反法律法规，涉及政治、领土主权等敏感词。

- 内容侵权。

请选择问题类型

问题描述

点击输入详细问题描述，以帮助我们快速定位问题。

提交

文档反馈

mindspore.nn.probability.distribution.TransformedDistribution

class mindspore.nn.probability.distribution.TransformedDistribution(bijector, distribution, seed=None, name='transformed_distribution')

转换分布（Transformed Distribution）。 该类包含一个Bijector和一个分布，并通过Bijector定义的操作将原始分布转换为新分布。可如果原始分布为 $X$ ，Bijector的映射函数为 $g(x)$，那么对应的转换分布为 $Y=g(X)$ 。

参数：

• bijector (Bijector) - 要执行的转换。

• distribution (Distribution) - 原始分布。必须具有float数据类型。

• 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。如果在初始化TransformedDistribution对象时给出了此种子，则对象的采样函数将使用此种子；否则，将使用基础分布的种子。

• name (str) - 转换分布的名称。默认值：’transformed_distribution’。

说明

用于初始化原始分布的参数不能为None。例如，由于未指定 mean 和 sd ，因此无法使用mynormal = msd.Normal(dtype=mindspore.float32)初始化TransformedDistribution。 batch_shape 为原始分布的 batch 的 shape。 broadcast_shape 为原始分布和概率映射经过广播后的 shape。 is_scalar_batch 为 True 当且仅当原始分布和概率映射的 batch 均为标量。 default_parameters、 parameter_names 和 parameter_type 由原始分布的数据类型决定。 衍生类可以通过调用 reset_parameters 后再调用 add_parameter 来添加参数以覆盖 default_parameters 和 parameter_names 。

异常：

• TypeError - bijector不是Bijector类。

• TypeError - distribution不是Distribution类。

支持平台：

Ascend GPU CPU

样例：

>>> import numpy as np
>>> import mindspore
>>> import mindspore.nn as nn
>>> import mindspore.nn.probability.distribution as msd
>>> import mindspore.nn.probability.bijector as msb
>>> from mindspore import Tensor
>>> class Net(nn.Cell):
...     def __init__(self, shape, dtype=mindspore.float32, seed=0, name='transformed_distribution'):
...         super(Net, self).__init__()
...         # create TransformedDistribution distribution
...         self.exp = msb.Exp()
...         self.normal = msd.Normal(0.0, 1.0, dtype=dtype)
...         self.lognormal = msd.TransformedDistribution(self.exp, self.normal, seed=seed, name=name)
...         self.shape = shape
...
...     def construct(self, value):
...         cdf = self.lognormal.cdf(value)
...         sample = self.lognormal.sample(self.shape)
...         return cdf, sample
>>> shape = (2, 3)
>>> net = Net(shape=shape, name="LogNormal")
>>> x = np.array([2.0, 3.0, 4.0, 5.0]).astype(np.float32)
>>> tx = Tensor(x, dtype=mindspore.float32)
>>> cdf, sample = net(tx)
>>> print(sample.shape)
(2, 3)

property bijector

返回概率映射函数。

返回：

Bijector，概率映射函数。

property distribution

返回变化前的概率分布。

返回：

Distribution，变化前的概率分布。

property dtype

返回分布的数据类型。

返回：

mindspore.dtype，分布的数据类型。

property is_linear_transformation

返回概率映射函数是否为线性映射。

返回：

Bool，概率映射函数为线性映射则返回True，否则返回False。

cdf(value)

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。

返回：

Tensor，累积分布函数的值。

log_cdf(value)

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。

返回：

Tensor，累积分布函数的对数。

log_prob(value)

计算给定值对应的概率的对数。

参数：

• value (Tensor) - 要计算的值。

返回：

Tensor，累积分布函数的对数。

log_survival(value)

计算给定值对应的生存函数的对数。

参数：

• value (Tensor) - 要计算的值。

返回：

Tensor，生存函数的对数。

mean()

计算期望。

返回：

Tensor，概率分布的期望。

prob(value)

计算给定值下的概率。

参数：

• value (Tensor) - 要计算的值。

返回：

Tensor，概率值。

sample(shape)

采样函数。

参数：

• shape (tuple) - 样本的shape。

返回：

Tensor，根据概率分布采样的样本。

survival_function(value)

计算给定值对应的生存函数。

参数：

• value (Tensor) - 要计算的值。

返回：

Tensor，生存函数的值。