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。