torch.distributions.kumaraswamy 的源代码

# mypy: 允许未类型化定义
导入 火炬
from 火炬 导入 纳尼, 张量
from torch.distributions 导入 约束
from torch.distributions.transformed_distribution 导入 转换分布
from torch.distributions.transforms 导入 变换矩阵, Power 变换
from torch.distributions.uniform 导入 Uniform
from torch.distributions.utils 导入 广播全部, 欧拉常数


全部 = [库马拉斯瓦米]


定义 _矩(a, b, n):
    ```python
# 假设输入文本为：
input_text = """Immersive Translate"""

# 翻译函数（此处仅为示例，实际翻译功能需要调用真实的翻译 API）
def translate_to_simplified_chinese(text):
    # 这里应该调用真实的翻译 API 进行翻译
    # 由于示例中不使用真实的 API，以下为模拟翻译结果
    return text  # 假设翻译结果与原文相同

# 输出翻译结果
translated_text = translate_to_simplified_chinese(input_text)
print(translated_text)
```

输出：
```
Immersive Translate
```
使用 torch.lgamma 计算 Kumaraswamy 的第 n 阶矩
    """
    参数 1 = 1 + n / a
    对数值 = 火炬.lgamma(参数 1) + 火炬.lgamma(b) - 火炬.lgamma(arg1 + b)
    return b * 火炬.exp(log_value)


类 库马尔斯瓦米分布(转换分布):
    r```python
# 假设输入文本为：
input_text = """Immersive Translate"""

# 翻译函数（此处仅为示例，实际翻译功能需要调用真实的翻译 API）
def translate_to_simplified_chinese(text):
    # 这里应该调用真实的翻译 API 进行翻译
    # 由于示例中不使用真实的 API，以下为模拟翻译结果
    return text  # 假设翻译结果与原文相同

# 输出翻译结果
translated_text = translate_to_simplified_chinese(input_text)
print(translated_text)
```

输出：
```
Immersive Translate
```
来自 Kumaraswamy 分布的样本。

示例::

>>> # xdoctest: +IGNORE_WANT("非确定性")
        >>> m = Kumaraswamy(torch.tensor([1.0]), torch.tensor([1.0]))
>>> 从浓度 alpha=1 和 beta=1 的 Kumaraswamy 分布中采样 m.sample()
        tensor([ 0.1729])

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）
    """

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

    定义 __init__(self, 集中 1, 集中 0, 验证参数=无):
        self.集中 1, self.浓度 0 = 广播全部(
            集中 1, 浓度 0
        )
        基础分布 = 均匀分布(
            火炬.完全一样(self.集中 0, 0),
            火炬.完全一样(self.集中力 0, 1),
            验证参数=验证参数,
        )
        转换 = [
            功率变换(指数=自我.集中 0.相互()),
            变换矩阵(位置=1.0, 比例=-1.0),
            功率变换(指数=自我.集中 1.相互()),
        ]
        超级().__init__(基础分布, 转换, 验证参数=验证参数)

[文档]    def expand(self, batch_shape, _instance=None):
new = self._get_checked_instance(Kumaraswamy, _instance)
new.concentration1 = self.concentration1.expand(batch_shape)
new.concentration0 = self.concentration0.expand(batch_shape)
return super().expand(batch_shape, _instance=new)

    @property
    定义 均值(自我) 翻译 张量:
        返回 瞬间(自我.集中 1, 自我.集中 0, 1)

    @property
    定义 模式(自我) 翻译 张量:
        为了数值稳定性，请在对数空间中进行评估。
        对数模式 = (
            自我.集中 0.相互() * (-自我.集中 0).log1p()
            - (-自我.浓度 0 * 自我.集中 1).log1p()
        )
        对数模式[自我.浓度 0 < 1) | (自我.浓度 1 < 1)] = 纳尼
        返回 日志模式.exp()

    @property
    定义 方差(自我) 翻译 张量:
        返回 _瞬间(自我.集中 1, 自我.集中 0, 2) - 火炬.pow(
            自我.均值, 2
        )

[文档]    def 熵(self):
t1 = 1 - self.concentration1.reciprocal()
t0 = 1 - self.concentration0.reciprocal()
H0 = torch.digamma(self.concentration0 + 1) + euler_constant
return (
t0
+ t1 * H0
- torch.log(self.concentration1)
- torch.log(self.concentration0)
        )