Categorical¶
类别分布是一种离散概率分布，其随机变量可以取K个相互独立类别的其中一个。
概率质量函数（pmf）为：
- 上面公式中:
-
\([x = i]\) 表示：如果 \(x==i\) ，则表达式取值为1，否则取值为0。
- 参数：
-
logits (list|numpy.ndarray|Tensor) - 类别分布对应的logits。数据类型为float32或float64。
name (str，可选） - 操作的名称(可选，默认值为None）。更多信息请参见 Name。
代码示例：
import paddle
from paddle.distribution import Categorical
paddle.seed(100) # on CPU device
x = paddle.rand([6])
print(x)
# [0.5535528 0.20714243 0.01162981
# 0.51577556 0.36369765 0.2609165 ]
paddle.seed(200) # on CPU device
y = paddle.rand([6])
print(y)
# [0.77663314 0.90824795 0.15685187
# 0.04279523 0.34468332 0.7955718 ]
cat = Categorical(x)
cat2 = Categorical(y)
paddle.seed(1000) # on CPU device
cat.sample([2,3])
# [[0, 0, 5],
# [3, 4, 5]]
cat.entropy()
# [1.77528]
cat.kl_divergence(cat2)
# [0.071952]
value = paddle.to_tensor([2,1,3])
cat.probs(value)
# [0.00608027 0.108298 0.269656]
cat.log_prob(value)
# [-5.10271 -2.22287 -1.31061]
- sample ( shape ) ¶
生成指定维度的样本
- 参数：
-
shape (list) - 指定生成样本的维度。
返回：预先设计好维度的张量
返回类型：Tensor
代码示例：
import paddle
from paddle.distribution import Categorical
paddle.seed(100) # on CPU device
x = paddle.rand([6])
print(x)
# [0.5535528 0.20714243 0.01162981
# 0.51577556 0.36369765 0.2609165 ]
cat = Categorical(x)
paddle.seed(1000) # on CPU device
cat.sample([2,3])
# [[0, 0, 5],
# [3, 4, 5]]
- kl_divergence ( other ) ¶
相对于另一个类别分布的KL散度
- 参数：
-
other (Categorical) - 输入的另一个类别分布。数据类型为float32。
返回：相对于另一个类别分布的KL散度, 数据类型为float32
返回类型：Tensor
代码示例：
import paddle
from paddle.distribution import Categorical
paddle.seed(100) # on CPU device
x = paddle.rand([6])
print(x)
# [0.5535528 0.20714243 0.01162981
# 0.51577556 0.36369765 0.2609165 ]
paddle.seed(200) # on CPU device
y = paddle.rand([6])
print(y)
# [0.77663314 0.90824795 0.15685187
# 0.04279523 0.34468332 0.7955718 ]
cat = Categorical(x)
cat2 = Categorical(y)
cat.kl_divergence(cat2)
# [0.071952]
- entropy ( ) ¶
信息熵
返回：类别分布的信息熵, 数据类型为float32
返回类型：Tensor
代码示例：
import paddle
from paddle.distribution import Categorical
paddle.seed(100) # on CPU device
x = paddle.rand([6])
print(x)
# [0.5535528 0.20714243 0.01162981
# 0.51577556 0.36369765 0.2609165 ]
cat = Categorical(x)
cat.entropy()
# [1.77528]
- probs ( value ) ¶
所选择类别的概率。 如果 logtis 是2-D或更高阶的Tensor，那么其最后一个维度表示不同类别的概率，其它维度被看做不同的概率分布。 同时，如果 value 是1-D Tensor，那么 value 会broadcast成与 logits 具有相同的概率分布数量。 如果 value 为更高阶Tensor，那么 value 应该与 logits 具有相同的概率分布数量。也就是说， value[:-1] = logits[:-1] 。
- 参数：
-
value (Tensor) - 输入张量, 表示选择的类别下标。数据类型为int32或int64。
返回：给定类别下标的概率
返回类型：Tensor
import paddle
from paddle.distribution import Categorical
paddle.seed(100) # on CPU device
x = paddle.rand([6])
print(x)
# [0.5535528 0.20714243 0.01162981
# 0.51577556 0.36369765 0.2609165 ]
cat = Categorical(x)
value = paddle.to_tensor([2,1,3])
cat.probs(value)
# [0.00608027 0.108298 0.269656]
- log_prob ( value ) ¶
所选择类别的对数概率
- 参数：
-
value (Tensor) - 输入张量, 表示选择的类别下标。数据类型为int32或int64。
返回：对数概率
返回类型：Tensor
import paddle
from paddle.distribution import Categorical
paddle.seed(100) # on CPU device
x = paddle.rand([6])
print(x)
# [0.5535528 0.20714243 0.01162981
# 0.51577556 0.36369765 0.2609165 ]
cat = Categorical(x)
value = paddle.to_tensor([2,1,3])
cat.log_prob(value)
# [-5.10271 -2.22287 -1.31061]