【深度学习】深度学习需要掌握的 13 个概率分布

作者丨Sophia@知乎
来源丨https://zhuanlan.zhihu.com/p/158801020
编辑 | 极市平台
本文仅用于学术分享,著作权归作者所有。如有侵权,请联系后台作删文处理。

在逛Github时发现了一个不错的总结,对深度学习的概率分布进行了总结。

作者的Github开源地址:https://github.com/graykode/distribution-is-all-you-needgithub.com

7a09f070f0be4b41911fc02d968f49c8.jpeg

1.均匀分布(连续)代码https://github.com/graykode/distribution-is-all-you-need/blob/master/uniform.py

均匀分布在 [a,b] 上具有相同的概率值,是简单概率分布。

960832c87f63608697c8352e6c1c6659.png

2.伯努利分布(离散)代码:https://github.com/graykode/distribution-is-all-you-need/blob/master/bernoulli.py

先验概率 p(x)不考虑伯努利分布。因此,如果我们对最大似然进行优化,那么我们很容易被过度拟合。

利用二元交叉熵对二项分类进行分类。它的形式与伯努利分布的负对数相同。

d043f66d3e672779286efb606d23b158.png

3.二项分布(离散)代码:https://github.com/graykode/distribution-is-all-you-need/blob/master/binomial.py

参数为 n 和 p 的二项分布是一系列 n 个独立实验中成功次数的离散概率分布。

二项式分布是指通过指定要提前挑选的数量而考虑先验概率的分布。

d9c64c35de8b977665461add085ae373.png

4.多伯努利分布/分类分布(离散)代码:https://github.com/graykode/distribution-is-all-you-need/blob/master/categorical.py

多伯努利称为分类分布。

交叉熵和采取负对数的多伯努利分布具有相同的形式。

cf0e8fedf05acd852da03d2a9a727ea8.png

5.多项式分布(离散)代码:https://github.com/graykode/distribution-is-all-you-need/blob/master/multinomial.py

多项式分布与分类分布的关系与伯努尔分布与二项分布的关系相同。

fdb87d16a7fdb7c20e4c10ad44bbf4eb.png

6.β分布(连续)代码:https://github.com/graykode/distribution-is-all-you-need/blob/master/beta.py

β分布与二项分布和伯努利分布共轭。

利用共轭,利用已知的先验分布可以更容易地得到后验分布。

当β分布满足特殊情况(α=1,β=1)时,均匀分布是相同的。

86f17b57a035ad95bbdb26832be73294.png

7.Dirichlet 分布(连续)代码:https://github.com/graykode/distribution-is-all-you-need/blob/master/dirichlet.py

dirichlet 分布与多项式分布是共轭的。

如果 k=2,则为β分布。

cba53b55f04fa431ea2dd657f18e0985.jpeg

8.伽马分布(连续)代码:https://github.com/graykode/distribution-is-all-you-need/blob/master/gamma.py

如果 gamma(a,1)/gamma(a,1)+gamma(b,1)与 beta(a,b)相同,则 gamma 分布为β分布。

指数分布和卡方分布是伽马分布的特例。

aa903f8ae5c5fc28d454c957786407d3.png

9.指数分布(连续)代码:https://github.com/graykode/distribution-is-all-you-need/blob/master/exponential.py

指数分布是 α 为 1 时 γ 分布的特例。

2b3a7709ef4fecb7af2d0e94fabeb7de.png

10.高斯分布(连续)代码:https://github.com/graykode/distribution-is-all-you-need/blob/master/gaussian.py

高斯分布是一种非常常见的连续概率分布。

984088e4598d6c1435abc75042e4a0a0.png

11.正态分布(连续)代码:https://github.com/graykode/distribution-is-all-you-need/blob/master/normal.py

正态分布为标准高斯分布,平均值为0,标准差为1。

0ec310ab1be9f39b9327d607730569da.png

12.卡方分布(连续)代码:https://github.com/graykode/distribution-is-all-you-need/blob/master/chi-squared.py

k 自由度的卡方分布是 k 个独立标准正态随机变量的平方和的分布。

卡方分布是 β 分布的特例。

bb4e93cd8218ec653f8fc66d94cababa.png

13.t 分布(连续)代码https://github.com/graykode/distribution-is-all-you-need/blob/master/student-t.py

t分布是对称的钟形分布,与正态分布类似,但尾部较重,这意味着它更容易产生远低于平均值的值。

4d29928bdc8c32de8d957e7835c05e9e.png

 
 
 
 
 
 

606bf1f50d7022240741481b8c69f0e8.jpeg

 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
往期精彩回顾




适合初学者入门人工智能的路线及资料下载
(图文+视频)机器学习入门系列下载
机器学习及深度学习笔记等资料打印
《统计学习方法》的代码复现专辑
  • 交流群

欢迎加入机器学习爱好者微信群一起和同行交流,目前有机器学习交流群、博士群、博士申报交流、CV、NLP等微信群,请扫描下面的微信号加群,备注:”昵称-学校/公司-研究方向“,例如:”张小明-浙大-CV“。请按照格式备注,否则不予通过。添加成功后会根据研究方向邀请进入相关微信群。请勿在群内发送广告,否则会请出群,谢谢理解~(也可以加入机器学习交流qq群772479961)

f2bad5230f1e0a42a0a9b663a50f0257.png

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值