比较与torch.distributions.laplace.Laplace的差异

torch.distributions.laplace.Laplace

torch.distributions.laplace.Laplace(loc, scale) -> Class Instance

更多内容详见torch.distributions.laplace.Laplace。

mindspore.ops.standard_laplace

mindspore.ops.standard_laplace(shape, seed=None) -> Tensor

更多内容详见mindspore.ops.standard_laplace。

差异对比

PyTorch：创建一个Laplace分布实例，调用该实例sample接口进行采样可以生成符合Laplace分布的随机值。

MindSpore：生成符合标准Laplace（mean=0, lambda=1）分布的随机数。当PyTorch中loc=0，scale=1，sample函数输入shape与MindSpore一致时，两API实现功能一致。

分类	子类	PyTorch	MindSpore	差异
参数	参数1	loc	-	MindSpore无此参数，默认实现loc=0的功能
	参数2	scale	-	MindSpore无此参数，默认实现scale=1的功能
	参数3	-	shape	PyTorch这个参数在调用sample接口时传入
	参数4	-	seed	算子层的随机种子，PyTorch无此参数

代码示例

PyTorch中每一个生成的随机值占用一维度，因此在MindSpore中传入的shape最内层增加一个长度为1的维度，两API实现功能一致。

# PyTorch
import torch

m = torch.distributions.laplace.Laplace(torch.tensor([0.0]), torch.tensor([1.0]))
shape = (4, 4)
sample = m.sample(shape)
print(tuple(sample.shape))
# (4, 4, 1)

# MindSpore
import mindspore
from mindspore import ops

shape = (4, 4, 1)
output = ops.standard_laplace(shape)
result = output.shape
print(result)
# (4, 4, 1)