pytorch一些方法（2）

torch.ones_like

torch.ones_like(input, dtype=None, layout=None, device=None,
requires_grad=False) → Tensor

方法解释：

返回一个填充了标量值1的张量，其大小与之相同 input。

torch.ones_like(input)相当于 torch.ones(input.size(), dtype=input.dtype,
layout=input.layout, device=input.device)

import torch
input = torch.empty(2, 3)
torch.ones_like(input)
 
tensor([[1., 1., 1.],
        [1., 1., 1.]])

torch.distributions.Normal()

class Normal(ExponentialFamily):
    r"""
    Creates a normal (also called Gaussian) distribution parameterized by
    :attr:`loc` and :attr:`scale`.
    Example::
        >>> m = Normal(torch.tensor([0.0]), torch.tensor([1.0]))
        >>> m.sample()  # normally distributed with loc=0 and scale=1
        tensor([ 0.1046])
    Args:
        loc (float or Tensor): mean of the distribution (often referred to as mu)
        scale (float or Tensor): standard deviation of the distribution
            (often referred to as sigma)
    """

from torch.distributions import Normal
m = Normal(torch.tensor([0.0]), torch.tensor([1.0]))
m.sample()
 
tensor([-0.0836])
pytorch的torch.distributions中可以定义正态分布
如下：

import torch
from torch.distributions import  Normal
mean=torch.Tensor([0,2])
normal=Normal(mean,1)

torch.distributions.sample()

sample()就是直接在定义的正太分布（均值为mean，标准差std是１）上采样：

c=normal.sample()
print("c:",c)

torch.distributions.rsample()

rsample()不是在定义的正太分布上采样，而是先对标准正太分布N(0,1)进行采样，然后输出：mean+std×采样值

a=normal.rsample()
 
a: tensor([ 0.0530,  2.8396])

torch.distributions.log_prob(value)

log_prob(value)是计算value在定义的正态分布（mean,1）中对应的概率的对数，正太分布概率密度函数是

，对其取对数可得

这里我们通过对数概率还原其对应的真实概率：

print("c log_prob:",normal.log_prob(c).exp())
 
c log_prob: tensor([ 0.1634,  0.2005])

torch.distributions相关测试补充说明

import torch
import math
from torch.distributions import Normal
 
m = Normal(torch.tensor([0.0]), torch.tensor([1.0]))
action=m.sample()
print('action=',action)  
# 这里的action相当于在概率密度函数中的x，不是指f(x);注意区分分布函数与概率密度函数单位区别
 
print('log_prob=',m.log_prob(action))
print("exp_log_prob=",torch.exp(m.log_prob(action)))
 
 
fx=(1/math.sqrt(2*math.pi))*torch.exp((-action**2)/2)
print(f)
print(torch.log(f))
 
# 这里的三行是对m.log_prob(action)的一个说明
# 表示将采样到的action,即x,带入正态分布的概率密度函数中计算的到f(x)值，
# 然后将值再计算log(f(x))