Normal¶
正态分布
数学公式：
\[ \begin{align}\begin{aligned}pdf(x; \mu, \sigma) = \frac{1}{Z}e^{\frac {-0.5 (x - \mu)^2} {\sigma^2} }\\Z = (2 \pi \sigma^2)^{0.5}\end{aligned}\end{align} \]
上面的数学公式中：
\(loc = \mu\) : 平均值。 \(scale = \sigma\) : 标准差。 \(Z\): 正态分布常量。
- 参数：
-
loc (float|list|numpy.ndarray|Variable) - 正态分布平均值。数据类型为float32。
scale (float|list|numpy.ndarray|Variable) - 正态分布标准差。数据类型为float32。
代码示例：
import numpy as np
from paddle.fluid import layers
from paddle.fluid.layers import Normal
# 定义参数为float的正态分布。
dist = Normal(loc=0., scale=3.)
# 定义一组有两个数的正态分布。
# 第一组为均值1，标准差11，第二组为均值2，标准差22。
dist = Normal(loc=[1., 2.], scale=[11., 22.])
# 得到3个样本, 返回一个 3 x 2 张量。
dist.sample([3])
# 通过广播的方式，定义一个两个参数的正态分布。
# 均值都是1，标准差不同。
dist = Normal(loc=1., scale=[11., 22.])
# 一个完整的例子
value_npdata = np.array([0.8], dtype="float32")
value_tensor = layers.create_tensor(dtype="float32")
layers.assign(value_npdata, value_tensor)
normal_a = Normal([0.], [1.])
normal_b = Normal([0.5], [2.])
sample = normal_a.sample([2])
# 一个由定义好的正太分布随机生成的张量，维度为: [2, 1]
entropy = normal_a.entropy()
# [1.4189385] with shape: [1]
lp = normal_a.log_prob(value_tensor)
# [-1.2389386] with shape: [1]
kl = normal_a.kl_divergence(normal_b)
# [0.34939718] with shape: [1]
- sample ( shape, seed=0 ) ¶
生成指定维度的样本
- 参数：
-
shape (list) - 1维列表，指定生成样本的维度。数据类型为int32。
seed (int) - 长整型数。
返回：预先设计好维度的张量, 数据类型为float32
返回类型：Variable
- entropy ( ) ¶
信息熵
返回：正态分布的信息熵, 数据类型为float32
返回类型：Variable
- log_prob ( value ) ¶
对数概率密度函数
- 参数：
-
value (Variable) - 输入张量。数据类型为float32或float64。
返回：对数概率, 数据类型与value相同
返回类型：Variable
- kl_divergence ( other ) ¶
两个正态分布之间的KL散度。
- 参数：
-
other (Normal) - Normal的实例。
返回：两个正态分布之间的KL散度, 数据类型为float32
返回类型：Variable