![1d7a304cb48ff0c18ff7656fbc320581.png](https://img-blog.csdnimg.cn/img_convert/1d7a304cb48ff0c18ff7656fbc320581.png)
PR Ⅵ & 信息论 II: 一元、多元连续高斯分布的KL散度及python实现
本文包括一元、多元连续高斯分布的KL散度的理论推导及其python实现,将KL散度的期望公式转化为均值方差表达的公式。本文使用描述连续分布的小写概率密度函数pdf。
离散情况及KL基础知识见链接:
刘浚嘉:PR Ⅴ: 熵、KL散度、交叉熵、JS散度及python实现zhuanlan.zhihu.com![ba06a49ba02b2cde8204123756b03835.png](https://img-blog.csdnimg.cn/img_convert/ba06a49ba02b2cde8204123756b03835.png)
本文是上文的3.2节,我们从单变量/一元高斯分布的KL散度开始:
3.2.1 一元连续高斯分布的KL散度公式推导
Let
其中
也可以参见 PRML 1.30。
3.2.2 一元连续高斯分布的KL散度python实现
import
3.2.3 多元连续高斯分布的KL散度公式推导
Let
提示一下,多元高斯长这样:
也可以见如下链接复习高斯分布知识:
刘浚嘉:PR Ⅲ:从高斯分布到高斯过程、高斯过程回归、贝叶斯优化zhuanlan.zhihu.com![717b628ed2671bc66d7961866c89d943.png](https://img-blog.csdnimg.cn/img_convert/717b628ed2671bc66d7961866c89d943.png)
先写点基础知识,以下来自 多变量高斯分布之间的KL散度(KL Divergence)
矩阵的迹的性质:
在推导公式过程中,使用到的一个重要的 trick 如下:
对于列向量
多变量分布中期望 E 与协方差
证明:
证明:因为
下面开始推导:
![27f4f354730b5c8fbf2cdd24dcecf5ea.png](https://img-blog.csdnimg.cn/img_convert/27f4f354730b5c8fbf2cdd24dcecf5ea.png)
其中
也可以参见 PRML 2.13。
3.2.4 多元连续高斯分布的KL散度python实现
import
Reference
- KL divergence between two univariate Gaussians