LogNormal¶
- class paddle.distribution. LogNormal ( loc, scale, name=None ) ¶
对数正态分布
由于对数正态分布是基于正态分布的变换得到的分布,一般称 \(Normal(\mu, \sigma)\) 是 \(LogNormal(\mu, \sigma)\) 的基础分布。
数学公式:
概率密度函数
上面的数学公式中:
\(loc = \mu\):基础正态分布的平均值;
\(scale = \sigma\):基础正态分布的标准差。
参数¶
loc (int|float|list|tuple|numpy.ndarray|Tensor) - 基础正态分布的平均值。
scale (int|float|list|tuple|numpy.ndarray|Tensor) - 基础正态分布的标准差。
代码示例¶
COPY-FROM: paddle.distribution.LogNormal
方法¶
sample(shape=(), seed=0)¶
生成指定维度的样本。
参数
shape (Sequence[int], 可选) - 指定生成样本的维度。
seed (int) - 长整型数。
返回
Tensor,预先设计好维度的样本数据。
rsample(shape=())¶
重参数化采样,生成指定维度的样本。
参数
shape (Sequence[int], 可选) - 指定生成样本的维度。
返回
Tensor,预先设计好维度的样本数据。
entropy()¶
信息熵
数学公式:
上面的数学公式中:
\(loc = \mu\):基础正态分布的平均值;
\(scale = \sigma\):基础正态分布的标准差。
返回
Tensor,对数正态分布的信息熵。
kl_divergence(other)¶
两个对数正态分布之间的 KL 散度。
数学公式:
上面的数学公式中:
\(loc = \mu_0\):当前对数分布对应的基础分布的平均值;
\(scale = \sigma_0\):当前对数分布对应的基础分布的标准差;
\(loc = \mu_1\):另一个对数分布对应的基础分布的平均值;
\(scale = \sigma_1\):另一个对数分布对应的基础分布的标准差;
\(ratio\):两个标准差之间的比例;
\(diff\):两个平均值之间的差值。
参数
other (LogNormal) - LogNormal 的实例。
返回
Tensor,两个对数正态分布之间的 KL 散度。