mindspore.nn.probability.distribution.Bernoulli

class mindspore.nn.probability.distribution.Bernoulli(probs=None, seed=None, dtype=mstype.int32, name='Bernoulli')[源代码]

伯努利分布(Bernoulli Distribution)。 离散随机分布,取值范围为 \(\{0, 1\}\) ,概率质量函数为 \(P(X = 0) = p, P(X = 1) = 1-p\)

参数:
  • probs (float, list, numpy.ndarray, Tensor) - 结果是1的概率。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) - 采样结果的数据类型。默认值: mstype.int32

  • name (str) - 分布的名称。默认值: 'Bernoulli'

说明

probs 中元素必须是合适的概率(0<p<1)。dist_spec_argsprobs

异常:
  • ValueError - probs 中元素小于0或大于1。

支持平台:

Ascend GPU

样例:

>>> import mindspore
>>> import mindspore.nn as nn
>>> import mindspore.nn.probability.distribution as msd
>>> from mindspore import Tensor
>>> # To initialize a Bernoulli distribution of the probability 0.5.
>>> b1 = msd.Bernoulli(0.5, dtype=mindspore.int32)
>>> # A Bernoulli distribution can be initialized without arguments.
>>> # In this case, `probs` must be passed in through arguments during function calls.
>>> b2 = msd.Bernoulli(dtype=mindspore.int32)
>>> # Here are some tensors used below for testing
>>> value = Tensor([1, 0, 1], dtype=mindspore.int32)
>>> probs_a = Tensor([0.6], dtype=mindspore.float32)
>>> probs_b = Tensor([0.2, 0.3, 0.4], dtype=mindspore.float32)
>>> # Private interfaces of probability functions corresponding to public interfaces, including
>>> # `prob`, `log_prob`, `cdf`, `log_cdf`, `survival_function`, and `log_survival`, are the same as follows.
>>> # Args:
>>> #     value (Tensor): the value to be evaluated.
>>> #     probs1 (Tensor): the probability of success. Default: self.probs.
>>> # Examples of `prob`.
>>> # Similar calls can be made to other probability functions
>>> # by replacing `prob` by the name of the function.
>>> ans = b1.prob(value)
>>> print(ans.shape)
(3,)
>>> # Evaluate `prob` with respect to distribution b.
>>> ans = b1.prob(value, probs_b)
>>> print(ans.shape)
(3,)
>>> # `probs` must be passed in during function calls.
>>> ans = b2.prob(value, probs_a)
>>> print(ans.shape)
(3,)
>>> # Functions `mean`, `sd`, `var`, and `entropy` have the same arguments.
>>> # Args:
>>> #     probs1 (Tensor): the probability of success. Default: self.probs.
>>> # Examples of `mean`. `sd`, `var`, and `entropy` are similar.
>>> ans = b1.mean() # return 0.5
>>> print(ans.shape)
()
>>> ans = b1.mean(probs_b) # return probs_b
>>> print(ans.shape)
(3,)
>>> # `probs` must be passed in during function calls.
>>> ans = b2.mean(probs_a)
>>> print(ans.shape)
(1,)
>>> # Interfaces of `kl_loss` and `cross_entropy` are the same as follows:
>>> # Args:
>>> #     dist (str): the name of the distribution. Only 'Bernoulli' is supported.
>>> #     probs1_b (Tensor): the probability of success of distribution b.
>>> #     probs1_a (Tensor): the probability of success of distribution a. Default: self.probs.
>>> # Examples of `kl_loss`. `cross_entropy` is similar.
>>> ans = b1.kl_loss('Bernoulli', probs_b)
>>> print(ans.shape)
(3,)
>>> ans = b1.kl_loss('Bernoulli', probs_b, probs_a)
>>> print(ans.shape)
(3,)
>>> # An additional `probs_a` must be passed in.
>>> ans = b2.kl_loss('Bernoulli', probs_b, probs_a)
>>> print(ans.shape)
(3,)
>>> # Examples of `sample`.
>>> # Args:
>>> #     shape (tuple): the shape of the sample. Default: ().
>>> #     probs1 (Tensor): the probability of success. Default: self.probs.
>>> ans = b1.sample()
>>> print(ans.shape)
()
>>> ans = b1.sample((2,3))
>>> print(ans.shape)
(2, 3)
>>> ans = b1.sample((2,3), probs_b)
>>> print(ans.shape)
(2, 3, 3)
>>> ans = b2.sample((2,3), probs_a)
>>> print(ans.shape)
(2, 3, 1)
property probs

返回结果为1的概率。

返回:

Tensor,结果为1的概率。

cdf(value, probs1)

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。

  • probs1 (Tensor) - 伯努利实验成功的概率。默认值: None

返回:

Tensor,累积分布函数的值。

cross_entropy(dist, probs1_b, probs1_a)

计算分布a和b之间的交叉熵。

参数:
  • dist (str) - 分布的类型。

  • probs1_b (Tensor) - 对比分布的伯努利实验成功的概率。

  • probs1_a (Tensor) - 伯努利实验成功的概率。默认值: None

返回:

Tensor,交叉熵的值。

entropy(probs1=None)

计算熵。

参数:
  • probs1 (Tensor) - 对比分布的伯努利实验成功的概率。默认值: None

返回:

Tensor,熵的值。

kl_loss(dist, probs1_b, probs1_a)

计算KL散度,即KL(a||b)。

参数:
  • dist (str) - 分布的类型。

  • probs1_b (Tensor) - 对比分布的伯努利实验成功的概率。

  • probs1_a (Tensor) - 伯努利实验成功的概率。默认值: None

返回:

Tensor,KL散度。

log_cdf(value, probs1)

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。

  • probs1 (Tensor) - 伯努利实验成功的概率。默认值: None

返回:

Tensor,累积分布函数的对数。

log_prob(value, probs1)

计算给定值对应的概率的对数。

参数:
  • value (Tensor) - 要计算的值。

  • probs1 (Tensor) - 伯努利实验成功的概率。默认值: None

返回:

Tensor,累积分布函数的对数。

log_survival(value, probs1)

计算给定值对应的生存函数的对数。

参数:
  • value (Tensor) - 要计算的值。

  • probs1 (Tensor) - 伯努利实验成功的概率。默认值: None

返回:

Tensor,生存函数的对数。

mean(probs1)

计算期望。

参数:
  • probs1 (Tensor) - 伯努利实验成功的概率。默认值: None

返回:

Tensor,概率分布的期望。

mode(probs1)

计算众数。

参数:
  • probs1 (Tensor) - 伯努利实验成功的概率。默认值: None

返回:

Tensor,概率分布的众数。

prob(value, probs1)

计算给定值下的概率。对于离散分布是计算概率质量函数(Probability Mass Function)。

参数:
  • value (Tensor) - 要计算的值。

  • probs1 (Tensor) - 伯努利实验成功的概率。默认值: None

返回:

Tensor,概率值。

sample(shape, probs1)

采样函数。

参数:
  • shape (tuple) - 样本的shape。

  • probs1 (Tensor) - 伯努利实验成功的概率。默认值: None

返回:

Tensor,根据概率分布采样的样本。

sd(probs1)

计算标准差。

参数:
  • probs1 (Tensor) - 伯努利实验成功的概率。默认值: None

返回:

Tensor,概率分布的标准差。

survival_function(value, probs1)

计算给定值对应的生存函数。

参数:
  • value (Tensor) - 要计算的值。

  • probs1 (Tensor) - 伯努利实验成功的概率。默认值: None

返回:

Tensor,生存函数的值。

var(probs1)

计算方差。

参数:
  • probs1 (Tensor) - 伯努利实验成功的概率。默认值: None

返回:

Tensor,概率分布的方差。