torch.distributions.gamma 的源代码

# mypy: 允许未类型化定义
导入 火炬
from 火炬 导入 张量
from torch.distributions 导入 约束
from torch.distributions.exp_family 导入 指数族
from torch.distributions.utils 导入 广播全部
from torch.types 导入 数, _大小


全部 = [伽马]


定义 _standard_gamma(浓度):
    返回 torch._标准伽马(浓度)


类 伽马(指数族):
    r"""
创建一个由形状 :attr:`concentration` 和 :attr:`rate` 参数化的伽马分布。

示例::

>>> # xdoctest: +IGNORE_WANT("非确定性")
        >>> m = Gamma(torch.tensor([1.0]), torch.tensor([1.0]))
>>> m.sample()  # 伽马分布，浓度=1，速率=1
        tensor([ 0.1046])

参数：
浓度（浮点数或张量）：分布的形状参数
（通常称为 alpha）
比率（浮点数或张量）：分布的比率参数
（通常称为贝塔），比率 = 1 / 尺度
    """

    约束参数 = {
        浓度: 约束.正的,
        率: 约束.正的,
    }
    支持 = 约束.非负
    has_rsample = 真实
    _平均载波测量 = 0

    @property
    定义 均值(我) -> 张量:
        返回 我.注意力 / 我.速率

    @property
    定义 模式(我) -> 张量:
        返回 ((我.注意力 - 1) / 我.率).卡钳(最小值=0)

    @property
    定义 方差(我) -> 张量:
        返回 我.注意力 / 我.率.pow(2)

    定义 __init__(我, 浓度, 率, 验证参数=无):
        我.浓度, 我.rate = 广播全部(浓度, 率)
        if isinstance(浓度, 数) 和 isinstance(率, 数):
            批量形状 = torch.尺寸()
        else:
            批量形状 = 我.浓度.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(Gamma, _instance)
batch_shape = torch.Size(batch_shape)
new.concentration = self.concentration.expand(batch_shape)
new.rate = self.rate.expand(batch_shape)
super(Gamma, new).__init__(batch_shape, validate_args=False)
new._validate_args = self._validate_args
返回新的

[文档]    def rsample(self, sample_shape: _size = torch.Size()) -> Tensor:
shape = self._extended_shape(sample_shape)
value = _standard_gamma(self.concentration.expand(shape)) / self.rate.expand(
形状
        )
value.detach().clamp_()
min=torch.finfo(value.dtype).tiny
# 不记录在自动求导图中
返回值

[文档]    def log_prob(self, value):
value = torch.as_tensor(value, dtype=self.rate.dtype, device=self.rate.device)
if self._validate_args:
self._validate_sample(value)
return (
torch.xlogy(self.concentration, self.rate)
+ torch.xlogy(self.concentration - 1, value)
- self.rate * value
- torch.lgamma(self.concentration)
        )

[文档]    def 熵(self):
return (
self.浓度
- torch.log(self.速率)
+ torch.lgamma(self.concentration)
+ (1.0 - self.concentration) * torch.digamma(self.concentration)
        )

    @property
    定义 自然参数(我) -> 元组[张量, 张量]
        返回 (我.concentration - 1, -我.率)

    定义 对数归一化器(我, x, y):
        返回 torch.lgamma(x + 1) + (x + 1) * torch.日志(-y.相互())

[文档]    def cdf(self, value):
if self._validate_args:
self._validate_sample(value)
return torch.special.gammainc(self.concentration, self.rate * value)