学习笔记：动手学深度学习 07 概率

最新推荐文章于 2023-05-15 16:54:28 发布
最新推荐文章于 2023-05-15 16:54:28 发布
阅读量986 收藏
点赞数 1
文章标签： 深度学习 pytorch 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_43137437/article/details/121108987
版权

导入必要的软件包

投掷骰子

import torch
from torch.distributions import multinomial
from d2l import torch as d2l
fair_probs = torch.ones([6]) / 6
multinomial.Multinomial(1, fair_probs).sample()
Out[5]: tensor([0., 1., 0., 0., 0., 0.])
multinomial.Multinomial(1, fair_probs).sample()
Out[6]: tensor([1., 0., 0., 0., 0., 0.])
multinomial.Multinomial(1, fair_probs).sample()
Out[7]: tensor([0., 1., 0., 0., 0., 0.])
multinomial.Multinomial(1, fair_probs).sample()
Out[8]: tensor([0., 0., 0., 1., 0., 0.])

如果用Python的for循环来完成这个任务，速度会慢得令人难以忍受，因此我们使用的函数支持同时抽取多个样本，返回我们想要的任意形状的独立样本数组。

multinomial.Multinomial(10, fair_probs).sample()
Out[9]: tensor([3., 0., 1., 4., 2., 0.])
multinomial.Multinomial(100, fair_probs).sample()
Out[10]: tensor([15., 20., 18., 12., 18., 17.])
multinomial.Multinomial(10000, fair_probs).sample()
Out[11]: tensor([1617., 1671., 1702., 1700., 1646., 1664.])

计算相对频率作为真实概率的估计

# 将结果存储为32位浮点数以进行除法
counts = multinomial.Multinomial(1000, fair_probs).sample()
counts / 1000  # 相对频率作为估计值
Out[12]: tensor([0.1540, 0.1820, 0.1590, 0.1770, 0.1660, 0.1620])

因为我们是从一个公平的骰子中生成的数据，我们知道每个结果都有真实的概率1616，大约是0.1670.167，所以上面输出的估计值看起来不错。

我们也可以看到这些概率如何随着时间的推移收敛到真实概率。让我们进行500组实验，每组抽取10个样本。

counts = multinomial.Multinomial(10, fair_probs).sample((500,))
counts
Out[14]: 
tensor([[2., 3., 0., 1., 2., 2.],
        [2., 1., 1., 3., 1., 2.],
        [3., 4., 0., 1., 1., 1.],
        ...,
        [2., 0., 1., 1., 2., 4.],
        [1., 1., 0., 2., 1., 5.],
        [2., 0., 2., 3., 0., 3.]])
cum_counts = counts.cumsum(dim=0)
cum_counts
Out[16]: 
tensor([[  2.,   3.,   0.,   1.,   2.,   2.],
        [  4.,   4.,   1.,   4.,   3.,   4.],
        [  7.,   8.,   1.,   5.,   4.,   5.],
        ...,
        [804., 780., 847., 835., 842., 872.],
        [805., 781., 847., 837., 843., 877.],
        [807., 781., 849., 840., 843., 880.]])
estimates = cum_counts / cum_counts.sum(dim=1, keepdims=True)
estimates
Out[18]: 
tensor([[0.2000, 0.3000, 0.0000, 0.1000, 0.2000, 0.2000],
        [0.2000, 0.2000, 0.0500, 0.2000, 0.1500, 0.2000],
        [0.2333, 0.2667, 0.0333, 0.1667, 0.1333, 0.1667],
        ...,
        [0.1614, 0.1566, 0.1701, 0.1677, 0.1691, 0.1751],
        [0.1613, 0.1565, 0.1697, 0.1677, 0.1689, 0.1758],
        [0.1614, 0.1562, 0.1698, 0.1680, 0.1686, 0.1760]])
d2l.set_figsize((6, 4.5))
for i in range(6):
    d2l.plt.plot(estimates[:, i].numpy(),
                 label=("P(die=" + str(i + 1) + ")"))
d2l.plt.axhline(y=0.167, color='black', linestyle='dashed')
d2l.plt.gca().set_xlabel('实验次数')
d2l.plt.gca().set_ylabel('估算概率')
d2l.plt.legend();
C:\ProgramData\Anaconda3\lib\site-packages\matplotlib\backends\backend_agg.py:238: RuntimeWarning: Glyph 23454 missing from current font.
  font.set_text(s, 0.0, flags=flags)
C:\ProgramData\Anaconda3\lib\site-packages\matplotlib\backends\backend_agg.py:238: RuntimeWarning: Glyph 39564 missing from current font.
  font.set_text(s, 0.0, flags=flags)
C:\ProgramData\Anaconda3\lib\site-packages\matplotlib\backends\backend_agg.py:238: RuntimeWarning: Glyph 27425 missing from current font.
  font.set_text(s, 0.0, flags=flags)
C:\ProgramData\Anaconda3\lib\site-packages\matplotlib\backends\backend_agg.py:238: RuntimeWarning: Glyph 25968 missing from current font.
  font.set_text(s, 0.0, flags=flags)
C:\ProgramData\Anaconda3\lib\site-packages\matplotlib\backends\backend_agg.py:201: RuntimeWarning: Glyph 23454 missing from current font.
  font.set_text(s, 0, flags=flags)
C:\ProgramData\Anaconda3\lib\site-packages\matplotlib\backends\backend_agg.py:201: RuntimeWarning: Glyph 39564 missing from current font.
  font.set_text(s, 0, flags=flags)
C:\ProgramData\Anaconda3\lib\site-packages\matplotlib\backends\backend_agg.py:201: RuntimeWarning: Glyph 27425 missing from current font.
  font.set_text(s, 0, flags=flags)
C:\ProgramData\Anaconda3\lib\site-packages\matplotlib\backends\backend_agg.py:201: RuntimeWarning: Glyph 25968 missing from current font.
  font.set_text(s, 0, flags=flags)
C:\ProgramData\Anaconda3\lib\site-packages\matplotlib\backends\backend_agg.py:238: RuntimeWarning: Glyph 20272 missing from current font.
  font.set_text(s, 0.0, flags=flags)
C:\ProgramData\Anaconda3\lib\site-packages\matplotlib\backends\backend_agg.py:238: RuntimeWarning: Glyph 31639 missing from current font.
  font.set_text(s, 0.0, flags=flags)
C:\ProgramData\Anaconda3\lib\site-packages\matplotlib\backends\backend_agg.py:238: RuntimeWarning: Glyph 27010 missing from current font.
  font.set_text(s, 0.0, flags=flags)
C:\ProgramData\Anaconda3\lib\site-packages\matplotlib\backends\backend_agg.py:238: RuntimeWarning: Glyph 29575 missing from current font.
  font.set_text(s, 0.0, flags=flags)
C:\ProgramData\Anaconda3\lib\site-packages\matplotlib\backends\backend_agg.py:201: RuntimeWarning: Glyph 20272 missing from current font.
  font.set_text(s, 0, flags=flags)
C:\ProgramData\Anaconda3\lib\site-packages\matplotlib\backends\backend_agg.py:201: RuntimeWarning: Glyph 31639 missing from current font.
  font.set_text(s, 0, flags=flags)
C:\ProgramData\Anaconda3\lib\site-packages\matplotlib\backends\backend_agg.py:201: RuntimeWarning: Glyph 27010 missing from current font.
  font.set_text(s, 0, flags=flags)
C:\ProgramData\Anaconda3\lib\site-packages\matplotlib\backends\backend_agg.py:201: RuntimeWarning: Glyph 29575 missing from current font.
  font.set_text(s, 0, flags=flags)
d2l.set_figsize((6, 4.5))
for i in range(6):
    d2l.plt.plot(estimates[:, i].numpy(),
                 label=("P(die=" + str(i + 1) + ")"))
d2l.plt.axhline(y=0.167, color='black', linestyle='dashed')
d2l.plt.gca().set_xlabel('实验次数')
d2l.plt.gca().set_ylabel('估算概率')
d2l.plt.legend();
C:\ProgramData\Anaconda3\lib\site-packages\matplotlib\backends\backend_agg.py:238: RuntimeWarning: Glyph 23454 missing from current font.
  font.set_text(s, 0.0, flags=flags)
C:\ProgramData\Anaconda3\lib\site-packages\matplotlib\backends\backend_agg.py:238: RuntimeWarning: Glyph 39564 missing from current font.
  font.set_text(s, 0.0, flags=flags)
C:\ProgramData\Anaconda3\lib\site-packages\matplotlib\backends\backend_agg.py:238: RuntimeWarning: Glyph 27425 missing from current font.
  font.set_text(s, 0.0, flags=flags)
C:\ProgramData\Anaconda3\lib\site-packages\matplotlib\backends\backend_agg.py:238: RuntimeWarning: Glyph 25968 missing from current font.
  font.set_text(s, 0.0, flags=flags)
C:\ProgramData\Anaconda3\lib\site-packages\matplotlib\backends\backend_agg.py:201: RuntimeWarning: Glyph 23454 missing from current font.
  font.set_text(s, 0, flags=flags)
C:\ProgramData\Anaconda3\lib\site-packages\matplotlib\backends\backend_agg.py:201: RuntimeWarning: Glyph 39564 missing from current font.
  font.set_text(s, 0, flags=flags)
C:\ProgramData\Anaconda3\lib\site-packages\matplotlib\backends\backend_agg.py:201: RuntimeWarning: Glyph 27425 missing from current font.
  font.set_text(s, 0, flags=flags)
C:\ProgramData\Anaconda3\lib\site-packages\matplotlib\backends\backend_agg.py:201: RuntimeWarning: Glyph 25968 missing from current font.
  font.set_text(s, 0, flags=flags)
C:\ProgramData\Anaconda3\lib\site-packages\matplotlib\backends\backend_agg.py:238: RuntimeWarning: Glyph 20272 missing from current font.
  font.set_text(s, 0.0, flags=flags)
C:\ProgramData\Anaconda3\lib\site-packages\matplotlib\backends\backend_agg.py:238: RuntimeWarning: Glyph 31639 missing from current font.
  font.set_text(s, 0.0, flags=flags)
C:\ProgramData\Anaconda3\lib\site-packages\matplotlib\backends\backend_agg.py:238: RuntimeWarning: Glyph 27010 missing from current font.
  font.set_text(s, 0.0, flags=flags)
C:\ProgramData\Anaconda3\lib\site-packages\matplotlib\backends\backend_agg.py:238: RuntimeWarning: Glyph 29575 missing from current font.
  font.set_text(s, 0.0, flags=flags)
C:\ProgramData\Anaconda3\lib\site-packages\matplotlib\backends\backend_agg.py:201: RuntimeWarning: Glyph 20272 missing from current font.
  font.set_text(s, 0, flags=flags)
C:\ProgramData\Anaconda3\lib\site-packages\matplotlib\backends\backend_agg.py:201: RuntimeWarning: Glyph 31639 missing from current font.
  font.set_text(s, 0, flags=flags)
C:\ProgramData\Anaconda3\lib\site-packages\matplotlib\backends\backend_agg.py:201: RuntimeWarning: Glyph 27010 missing from current font.
  font.set_text(s, 0, flags=flags)
C:\ProgramData\Anaconda3\lib\site-packages\matplotlib\backends\backend_agg.py:201: RuntimeWarning: Glyph 29575 missing from current font.
  font.set_text(s, 0, flags=flags)
d2l.set_figsize((6, 4.5))
for i in range(6):
    d2l.plt.plot(estimates[:, i].numpy(),
                 label=("P(die=" + str(i + 1) + ")"))
d2l.plt.axhline(y=0.167, color='black', linestyle='dashed')
d2l.plt.gca().set_xlabel('shiyancishu')
d2l.plt.gca().set_ylabel('gusuangailv')
d2l.plt.legend();

 

进击的番茄~
关注
  • 1
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
随机抽样的python实现
绒绒的Routine
11-25 1750
目录 1  随机抽样1.1  离散型随机变量1.1.1  二项分布1.1.2  泊松分布1.1.3  超几何分布1.2  连续型随机变量1.2.1  均匀分布1.2.2  正态分布1.2.3  指数分布1.3  其它随机函数1.3.1  随机从序列中获取元素1.3.2  
【深层神经网络实战代码】识别猫 吴恩达深度学习笔记
最新发布
03-23
在本资源中，我们主要关注的是“深层神经网络实战代码”，特别是用于识别猫的应用，这源自吴恩达的深度学习课程。吴恩达是全球知名的机器学习专家，他的深度学习课程深入浅出，深受广大学习者喜爱。在这个压缩包里，...
【动手学深度学习】Task03笔记汇总
01-06
Task03：过拟合、欠拟合及其解决方案；梯度消失、梯度爆炸；循环神经网络进阶 过拟合、欠拟合及其解决方案 第一反应是训练数据集大小带来的影响，或许有很多研究怎么丰富数据集的文献吧，数据集大，那么复杂的模型就更好发挥作用。 1.过拟合常用的模型层面的应对方法： 权重衰减，也即L2-Norm Regularization。从公式和名字易见，该方法加入了对权重系数的2范数作为惩罚项从而学习到数值较小的参数。（那么自然而然会产生的问题就是：为什么不对偏置做正则化，这个可以去实验一下，应该会发现偏置没有权重敏感） 丢弃法。我的理解是，按照设定的概率丢掉（置为0）某个参数单元，从而减少参数依赖性。丢掉
RuntimeWarning:Glyph 21435 missing from current font.
data+scenario+science+insight
09-30 1538
RuntimeWarning:Glyph 21435 missing from current font. 目录 RuntimeWarning:Glyph 21435 missing from current font. 问题： #解决： #完整错误： 问题： import pandas as pd import numpy as np import numpy as np import pandas as pd import matplotlib %matplotlib inli.
论文代码笔记
qq_42403145的博客
05-15 311
笔记
（1）预备知识
pku_mzj的博客
10-28 639
1.1.1 入门 import torch # 使用arange创建一个行向量x x = torch.arange(12) # 访问张量的形状(沿每个轴的长度) x.shape # 张量中元素的总数number of element x.numel() # 想要改变张量的形状而不改变元素数量和元素值 # 其中，可以设置其中维度为-1，来自动推断维度 X = x.reshape(3,4) # 使用全0数字初始化矩阵 torch.zeros((2,3,4)) # 使用全1数字初始化矩阵 to.
chainer-notebooks：用于Chainer动手的Jupyter笔记本
02-04
"用于Chainer动手的Jupyter笔记本"表明这个压缩包提供了使用 Chainer 进行深度学习实践的交互式环境，适合初学者和有经验的开发者通过 Jupyter Notebook 学习和实验。 **描述解析：** 描述中提到的 "要求" 指的是...
sutton-barto-notebooks:Jupyter笔记本，用于Sutton和Barto的强化学习
05-14
通过这些交互式文档，你可以深入理解强化学习的基本原理，动手实践各种算法，并扩展到最新的研究领域，如深度Q网络（Deep Q-Network, DQN）和演员-评论家（Actor-Critic）方法。对于想要掌握这一前沿技术的人来说，...
Pytorch-Udacity入门深度学习解决方案：此存储库包含我的解决方案和Colab友好型独立笔记本，适用于Udacity上的PyTorch深度学习入门课程
02-04
**PyTorch深度学习入门详解** PyTorch是Facebook开源的一款强大的深度学习框架，它以其灵活性和易用性深受广大开发者喜爱。Udacity提供的"PyTorch深度学习入门"课程是一个非常适合初学者的资源，旨在帮助学习者掌握...
pyvenn画韦恩图中文显示
Circle-C的博客
10-11 510
用pyvenn图默认不支持中文 解决： 修改文件 D:\ProgramData\Anaconda3\lib\site-packages\matplotlib\backends\backend_agg.py 加入代码 mpl.rcParams['font.sans-serif'] = ['Microsoft YaHei'] # 指定默认字体：解决plot不能显示中文问题 mpl.rcParams['axes.unicode_minus'] = False #..
七、matplotlib的使用
zep
06-24 1288
matplotlib的使用 点击标题即可获取文章源代码和笔记 import matplotlib.pyplot as plt %matplotlib inline plt.figure() plt.plot([1,2,3,4,5,6,7],[17,17,18,15,11,11,13]) plt.show() 折线图绘制与显示 #展示上海一周的天气，比如从星期一到星期日的天气温度如下 # 1. 创建画布 # figsize：指定图片的长宽 # dpi:指定图像的清晰度 plt.figure(fig
Anaconda 安装第三方库失败的解决办法
热门推荐
凉茶微凉
07-15 12万+
  本地环境： Windows 10，Anaconda Python 3.6.3       一般，对于 Python中安装第三方库：若Python是通过Anaconda安装的最好用conda命令来安装第三方库；能用conda用conda，不能用conda则用pip命令；有一些库不论conda和pip都无法直接安装，只能下载whl文件再安装了。 今天安装Scrapy遇到的情况： 1：...
成功解决matplotlib.units.ConversionError: Failed to convert value(s) to axis units: ‘LiR‘
近期请国内外头部出版社可尽快私信博主！——心比天高，仗剑走天涯，保持热爱，奔赴向梦想！低调，谦虚，自律，反思，成长，还算是比较正能量的博主，公益免费传播……内心特别想在AI界做出一些可以推进历史进程影响力的东西(兴趣使然，有点小情怀，也有点使命感呀)…
03-06 9709
成功解决matplotlib.units.ConversionError: Failed to convert value(s) to axis units: 'LiR' 目录 解决问题 解决思路 解决方法 解决问题 No handles with labels found to put in legend. Traceback (most recent call last): File "D:\ProgramData\Anaconda3\lib\site.
matplotlib是出现中文乱码如何解决呢？
Deng872347348的博客
12-26 389
当在使用matplotlib是出现中文乱码如何解决呢？ E:\Anaconda\lib\site-packages\matplotlib\backends\backend_agg.py:211: RuntimeWarning: Glyph 19978 missing from current font. font.set_text(s, 0.0, flags=flags) 上面这个是中文乱码问题，表示，你在用matplotlib时候不可以使用中文，不然会出现乱码问题，那入何解决呢. 在你的代码前面加上这
sklearn学习
Iceforest的博客
05-15 697
1.广义线性模型 如果是预测值, 在整个模块中，我们定义向量 作为coef_，定义 作为intercept_。 1.1 普通最小二乘法 LinearRegression拟合一个带有系数 的线性模型，使得数据集实际观测数据和预测数据（估计值）之间的残差平方和最小。其数学表达式为: LinearRegression会调用fit方法来拟合数组 X， y，并且...
torch.multinomial()理解
monchin的博客
04-02 5万+
torch.multinomial(input, num_samples,replacement=False, out=None) → LongTensor作用是对input的每一行做n_samples次取值，输出的张量是每一次取值时input张量对应行的下标。输入是一个input张量，一个取样数量，和一个布尔值replacement。input张量可以看成一个权重张量，每一个元素代表其在该行中的...
对于torch.multinomial()的理解
猫敷雪
09-29 5288
torch.multinomial(input, num_samples, replacement=False, out=None) → LongTensor 参数： input (Tensor) – the input tensor containing probabilities num_samples (int)– number of samples to draw replacement ...
Redis全面深入学习笔记(强烈推荐).docx
09-17
"Redis全面深入学习笔记，涵盖了从下载、编译Redis源码到启动、停止Redis服务的详细步骤，适合对Redis感兴趣的学习者。笔记强调了如何在Linux环境中进行操作，包括更改Redis的默认端口和配置为后台运行模式。此外，...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值