tf 2.0中的tf.random.categorical()用法解析

官网的解释

tf.random.categorical：从一个分类分布中抽取样本（tf.multinomial()是多项分布）

tf.random.categorical(
    logits,
    num_samples,
    dtype=None,
    seed=None,
    name=None
)

例子

# samples has shape [1, 5], where each value is either 0 or 1 with equal
# probability.
samples = tf.random.categorical(tf.math.log([[10., 10.]]), 5)

参数:

• logits: 形状为 [batch_size, num_classes]的张量. 每个切片 [i, :]代表对于所有类的未正规化的log概率。
• num_samples: 0维，从每一行切片中抽取的独立样本的数量。
• dtype: 用于输出的整数类型，默认为int64。
• seed: 一个Python整数，用于创建分布的随机种子。See tf.compat.v1.set_random_seedfor behavior.
• name: 操作的可选名字

Returns:

• 形状为[batch_size, num_samples]的抽取样本.
  含义解析：

1. 这个函数的意思就是，你给了一个batch_size × num_classes的矩阵，这个矩阵是这样的：
   每一行相当于log(p(x))，这里假设p(x)=[0.4,0.3,0.2,0.1]，（p(x)的特性就是和为1），
   然后再取log，那么log(p(x))就等于[-0.9162907 -1.20397282 -1.60943794 -2.30258512]
   函数利用你给的分布概率，从其中的每一行中抽取num_samples次，最终形成的矩阵就是batch_szie × num_samples了。

2. 这里的抽样方法可以再详细解释一下，举个例子（请不要考虑真实性），给一行[1.0,2.0,2.0,2.0,6.0]，采样4次，那么结果很大可能都是[4,4,4,4]（不信可以试一下），因为下标为4的概率（6.0）远远高于其他的概率，当然也会出现比如[4,4,2,4]这样的情况，就是说其他的下标因为给定的概率就低，所以被采样到的概率也就低了。

3. 官网解释中logits，也就是你给的矩阵，每个切片 [i, :] 代表对于所有类的未正规化的log概率（即其和不为1），但必须是小数，就像官网的样例一样，就算是整数，后面也要加一个小数点，否则会报错。

4. 返回值是什么的问题，返回的其实不是抽取到的样本，而是抽取样本在每一行的下标。

为了能更加充分的理解，下面奉上一个小小的例子：

import tensorflow as tf;
for i in tf.range(10):
    samples = tf.random.categorical([[1.0,1.0,1.0,1.0,4.0],[1.0,1,1,1,1]], 6)
    tf.print(samples)

输出结果：

[[4 4 4 4 4 1]
 [3 1 3 0 4 3]]
[[4 0 4 4 4 1]
 [1 0 2 4 1 2]]
[[0 4 4 0 4 4]
 [3 0 0 1 1 4]]
[[4 4 4 4 4 0]
 [2 1 4 3 4 4]]
[[4 4 2 4 4 4]
 [1 3 1 0 4 0]]
[[4 4 4 4 4 4]
 [3 0 4 1 1 1]]
[[4 4 0 0 4 4]
 [3 3 0 3 2 2]]
[[1 4 4 4 4 4]
 [2 2 1 3 0 2]]
[[4 4 4 4 4 4]
 [2 4 4 3 2 2]]
[[4 4 4 4 3 4]
 [2 4 2 2 1 0]]

看到这估计你就能理解了，其中[[1.0,1.0,1.0,1.0,4.0],[1.0,1,1,1,1]]就是需要进行采样的矩阵，这里加小数点其实可以只加一个，只要让程序知道你用的是概率就行（当然实际都是通过tf.log()得到的不用手动输入），输出结果自然就是样本所在行的下标，多运行几次，就能更直观的感受到，设定的概率和采样结果之间的关系。（比如这里第一行的采样结果很多都是最后一个样本，第二行因为概率相同，采样结果就很均匀）