Categorical（torch.distributions.categorical.Categorical）举例解释

1. torch.distributions.categorical.Categorical类

来源：
Pytorch类 ----> torch.distributions.categorical.Categorical类源地址
Class torch.distributions.categorical.Categorical(probs=None, logits=None, validate_args=None)

** 参数：**
probs (Tensor) – 事件的概率
logits (Tensor) –事件的log概率（未标准化）

作用：
创建以参数probs为标准的类别分布，样本是来自 “0 … K-1” 的整数，其中 K 是probs参数的长度。也就是说，按照传入的probs中给定的概率，在相应的位置处进行取样，取样返回的是该位置的整数索引。

如果 probs 是长度为 K 的一维列表，则每个元素是对该索引处的类进行抽样的相对概率。
如果 probs 是二维的，它被视为一批概率向量。

2. 举例说明

例子1：

import torch
from torch.distributions.categorical import Categorical

probs = torch.FloatTensor([0.25, 0.25, 0.25, 0.25])

dist = Categorical(probs)
print(dist)

index = dist.sample()
print(index.numpy())

结果：

Categorical(probs: torch.Size([4]))
3

例子2：

import torch
from torch.distributions.categorical import Categorical

probs = torch.FloatTensor([[0.25, 0.55, 0.9, 0.01], [0.8, 0.1, 0.09, 1.0]])

dist = Categorical(probs)
print(dist)

index = dist.sample()
print(index.numpy())

结果：

Categorical(probs: torch.Size([2, 4]))
[2 2]

3. 注意事项

probs参数必须是非负的，有限的，并且有一个非零的和，它将被标准化为沿着最后一个维度并求和为1。 Probs将返回这个标准化值。 logits参数将被解释为非标准化的对数概率，因此可以是任何实数。 同样，它也将被规范化，这样，结果的概率在最后一个维度上求和为1。 Logits将返回这个标准化值。