torch.multinomial()理解

torch.multinomial

torch.multinomial(input, num_samples,replacement=False, out=None) → LongTensor

返回一个张量，每行包含从input相应行中定义的多项分布中抽取的num_samples个样本。

[注意]: 输入input每行的值不需要总和为1 (这里我们用来做权重)，但是必须非负且总和不能为0。当抽取样本时，依次从左到右排列(第一个样本对应第一列)。如果输入input是一个向量，输出out也是一个相同长度num_samples的向量。如果输入input是有 m行的矩阵，输出out是形如m×n的矩阵。如果参数replacement 为 True, 则样本抽取可以重复。否则，一个样本在每行不能被重复抽取。参数num_samples必须小于input长度(即，input的列数，如果是input是一个矩阵)。

参数:

• input (Tensor) – 包含概率值的张量
• num_samples (int) – 抽取的样本数
• replacement (bool, optional) – 布尔值，决定是否能重复抽取
• out (Tensor, optional) – 结果张量

>>> weights = torch.Tensor([0, 10, 3, 0]) # create a Tensor of weights
>>> torch.multinomial(weights, 4)

 1
 2
 0
 0
[torch.LongTensor of size 4]

>>> torch.multinomial(weights, 4, replacement=True)

 1
 2
 1
 2
[torch.LongTensor of size 4]

输入是[0,10,3,0]，也就是说第0个元素和第3个元素权重都是0，在其他元素被取完之前是不会被取到的。

所以第一个multinomial取4次，可以试试重复运行这条命令，发现只会有2种结果：[1 2 0 0]以及[2 1 0 0]，以[1 2 0 0]这种情况居多。这其实很好理解，第1个元素权重比第2个元素权重要大，所以先取第1个元素的概率就会大。在第1和2个元素取完之后，剩下了2个没有权重的元素，它们才会被取到。但实际上权重为0的元素被取到时也不会显示正确的下标，关于0的下标问题我还没有想到很合理的解释，先行略过。

而第二个multinomial取4次，发现就只会出现1和2这两个元素了。这是因为replacement为真，所以有放回，就永远也不会取到权重为0的元素了。

再试试输入二维张量，则返回的也会成为一个二维张量，行数为输入的行数，列数为n_samples，即每一行都取了n_samples次，取法和一维张量相同。