torch.distributions.fishersnedecor 的源代码

# mypy: 允许未类型化定义
导入 火炬
来自 火炬 导入 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.gamma 导入 伽马分布
来自 torch.distributions.utils 导入 广播全部
来自 torch 的类型 导入 数, _大小


全部 = ["FisherSnedecor"]


类 费舍尔-斯涅德科(分发):
    r"""
创建一个由 :attr:`df1` 和 :attr:`df2` 参数化的 Fisher-Snedecor 分布。

示例::

>>> # xdoctest: +IGNORE_WANT("非确定性")
        >>> m = FisherSnedecor(torch.tensor([1.0]), torch.tensor([2.0]))
>>> m.sample()  # df1=1 和 df2=2 的 Fisher-Snedecor 分布
tensor([0.2453])

参数：
df1（浮点数或 Tensor）：自由度参数 1
df2（浮点数或 Tensor）：自由度参数 2
    """

    约束参数 = {"df1": 约束.正的, df2: 约束.正的}
    支持 = 约束.正向
    has_rsample = 真实

    定义 __init__(自身, df1, df2, 验证参数=无):
        自身.df1, 自身.df2 = 广播全部(df1, df2)
        自身._gamma1 = 伽马(自身.df1 * 0.5, 自身.df1)
        自身.γάμμα2 = 伽马(自身.df2 * 0.5, 自身.df2)

        if isinstance(df1, 数) 和 isinstance(df2, 数):
            批量形状 = torch.尺寸()
        否则:
            批量形状 = 自身.df1.大小()
        超级().__init__(批量形状, 验证参数=验证参数)

[文档]    def expand(self, batch_shape, _instance=None):
new = self._get_checked_instance(FisherSnedecor, _instance)
batch_shape = torch.Size(batch_shape)
new.df1 = self.df1.expand(batch_shape)
new.df2 = self.df2.expand(batch_shape)
new._gamma1 = self._gamma1.expand(batch_shape)
new._gamma2 = self._gamma2.expand(batch_shape)
super(FisherSnedecor, new).__init__(batch_shape, validate_args=False)
new._validate_args = self._validate_args
返回 new

    @property
    定义 均值(自身) -> 张量:
        df2 = 自身.df2.克隆(内存格式=torch.连续格式)
        df2[df2 <= 2] = 纳尼
        返回 df2 / (df2 - 2)

    @property
    定义 模式(自身) -> 张量:
        模式 = (self.df1 - 2) / self.df1 * self.df2 / (self.df2 + 2)
        模式[self.df1 <= 2] = 纳尼
        返回 模式

    @property
    def 方差(自身) -> 张量:
        df2 = 自身.df2.克隆(内存格式=torch.连续格式)
        df2[df2 <= 4] = 纳尼
        返回 (
            2
            * df2.pow(2)
            * (自身.df1 + df2 - 2)
            / (自身.df1 * (df2 - 2).pow(2) * (df2 - 4))
        )

[文档]    def rsample(self, sample_shape: _size = torch.Size(())) -> Tensor:
shape = self._extended_shape(sample_shape)
#   X1 ~ Gamma(df1 / 2, 1 / df1), X2 ~ Gamma(df2 / 2, 1 / df2)
#   Y = df2 * df1 * X1 / (df1 * df2 * X2) = X1 / X2 ~ F(df1, df2)
X1 = self._gamma1.rsample(sample_shape).view(shape)
X2 = self._gamma2.rsample(sample_shape).view(shape)
tiny = torch.finfo(X2.dtype).tiny
X2.clamp_(min=tiny)
Y = X1 / X2
Y.clamp_(min=tiny)
return Y

[文档]    def log_prob(self, value):
if self._validate_args:
self._validate_sample(value)
ct1 = self.df1 * 0.5
ct2 = self.df2 * 0.5
ct3 = self.df1 / self.df2
t1 = (ct1 + ct2).lgamma() - ct1.lgamma() - ct2.lgamma()
t2 = ct1 * ct3.log() + (ct1 - 1) * torch.log(value)
t3 = (ct1 + ct2) * torch.log1p(ct3 * value)
return t1 + t2 - t3