torch.distributions.cauchy 的源代码

# mypy: 允许未类型化定义
导入 数学

导入 火炬
来自 火炬 导入 无穷, 纳尼, 张量
来自 torch.distributions 导入 约束
来自 torch.distributions.distribution 导入 分布
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 = [高斯]


类 柯西(分发):
    r""
来自高斯（洛伦兹）分布的样本。比率的分布为
独立同分布的随机变量，其均值为 `0` 的服从
柯西分布。

示例::

>>> # xdoctest: +IGNORE_WANT("非确定性")
        >>> m = Cauchy(torch.tensor([0.0]), torch.tensor([1.0]))
>>> m.sample()  # 从均值为 0 和尺度为 1 的柯西分布中抽样
        tensor([ 2.3214])

参数：
loc (浮点数或张量)：分布的均值或中位数。
scale (浮点数或张量)：半最大值半宽度。
"沉浸式翻译"

    约束参数 = {"loc": 约束.真实, "缩放": 约束.正面}
    支持 = 约束.真实
    has_rsample = 真实

    def __init__(self, 位置, 比例, validate_args=无):
        self.位置, self.缩放 = 广播全部(位置, 比例)
        如果 isinstance(位置, _数字) 和 isinstance(比例, _数字):
            batch_shape = torch.尺寸()
        否则:
            batch_shape = self.位置.尺寸()
        超级().__init__(批量形状, validate_args=validate_args)

[文档]    def expand(self, batch_shape, _instance=None):
new = self._get_checked_instance(Cauchy, _instance)
batch_shape = torch.Size(batch_shape)
new.loc = self.loc.expand(batch_shape)
new.scale = self.scale.expand(batch_shape)
super(Cauchy, new).__init__(batch_shape, validate_args=False)
new._validate_args = self._validate_args
return new

    @property
    def 均值(self) -> 张量:
        返回 torch.full(
            self._extended_shape(), 纳尼, 数据类型=self.位置.数据类型, 设备=self.位置.设备
        )

    @property
    def 模式(self) -> 张量:
        返回 self.定位

    @property
    def 方差(self) -> 张量:
        返回 torch.full(
            self._扩展形状(), 无穷, 数据类型=self.位置.数据类型, 设备=self.位置.设备
        )

[文档]    def rsample(self, sample_shape: _size = torch.Size()) -> Tensor:
形状 = self._extended_shape(sample_shape)
eps = self.loc.new(shape).cauchy_()
return self.loc + eps * self.scale

[文档]    def log_prob(self, value):
if self._validate_args:
self._validate_sample(value)
return (
-math.log(math.pi)
- self.scale.log()
(((值 - self.loc) / self.scale) ** 2).log1p()
        )

[文档] def cdf(self, 值):
if self._validate_args:
self._validate_sample(value)
return torch.atan((value - self.loc) / self.scale) / math.pi + 0.5

[文档] def icdf(self, value):
return torch.tan(math.pi * (value - 0.5)) * self.scale + self.loc

[文档]    def 熵(self):
return math.log(4 * math.pi) + self.scale.log()