torch.distributions.beta 的源代码

# mypy: 允许未类型化定义
导入 火炬
来自 火炬 导入 张量
来自 torch.distributions 导入 约束
来自 torch.distributions.dirichlet 导入 Dirichlet
来自 torch.distributions.exp_family 导入 指数族
来自 torch.distributions.utils 导入 广播全部
来自 torch 的类型 导入 _数字, _大小


全部 = ["Beta"]


类 测试版(指数族):
    r""
由 :attr:`concentration1` 和 :attr:`concentration0` 参数化的贝塔分布。

示例::

>>> # xdoctest: +IGNORE_WANT("非确定性")
        >>> m = Beta(torch.tensor([0.5]), torch.tensor([0.5]))
>>> m.sample()  # 贝塔分布，参数为 concentration concentration1 和 concentration0
        tensor([ 0.1046])

参数：
浓度 1（浮点数或张量）：分布的第 1 个浓度参数
（通常称为 alpha）
浓度 0（浮点数或张量）：分布的第 2 个浓度参数
（通常称为 beta）
"沉浸式翻译"

    约束参数 = {
        浓度 1: 约束.正面,
        浓度 0: 约束.正面,
    }
    支持 = 约束.单位区间
    has_rsample = 真实

    def __init__(self, concentration1, concentration0, validate_args=无):
        如果 isinstance(浓度 1, _数字) 和 isinstance(浓度 0, _数字):
            浓度 1_浓度 0 = torch.张量(
                [float(浓度 1), float(浓度 0)]
            )
        否则:
            浓度 1, 集中 0 = broadcast_all(
                集中 1, 集中 0
            )
            集中 1_集中 0 = torch.栈(
                [浓度 1, 浓度 0] -1
            )
        self._狄利克雷 = Dirichlet 分布(
            浓度 1_浓度 0, 验证参数=验证参数
        )
        超级().__init__(self._dirichlet._batch_shape, 验证参数=验证参数)

[文档]    def expand(self, batch_shape, _instance=None):
new = self._get_checked_instance(Beta, _instance)
batch_shape = torch.Size(batch_shape)
new._dirichlet = self._dirichlet.expand(batch_shape)
super(Beta, new).__init__(batch_shape, validate_args=False)
new._validate_args = self._validate_args
返回新的

    @property
    def 均值(self) -> 张量:
        返回 self.浓度 1 / (self.浓度 1 + self.浓度 0)

    @property
    def 模式(self) -> 张量:
        返回 self.迪利克雷.模式[..., 0]

    @property
    def 方差(self) -> 张量:
        总计 = self.浓度 1 + self.浓度 0
        返回 self.浓度 1 * self.浓度 0 / (总计.pow(2) * (总计 + 1))

[文档]    def rsample(self, sample_shape: _size = ()) -> Tensor:
return self._dirichlet.rsample(sample_shape).select(-1, 0)

[文档]    def log_prob(self, value):
if self._validate_args:
self._validate_sample(value)
heads_tails = torch.stack([value, 1.0 - value], -1)
return self._dirichlet.log_prob(heads_tails)

[docs]    def entropy(self):
return self._dirichlet.entropy()

    @property
    def concentration1(self) -> 张量:
        结果 = self.迪利克雷.浓度[..., 0]
        如果 isinstance(结果, 数):
            返回 torch.张量[结果])
        否则:
            返回 结果

    @property
    def 浓度 0(self) -> 张量:
        结果 = self.迪利克雷.浓度[..., 1]
        如果 isinstance(结果, 数):
            返回 torch.张量[结果])
        否则:
            返回 结果

    @property
    def 自然参数(self) -> 元组[张量, 张量]
        返回 (self.集中 1, self.集中 0)

    def _对数归一化器(self, x, y):
        返回 torch.lgamma(x) + torch.lgamma(y) - torch.lgamma(x + y)