torch.distributions.normal 的源代码

# mypy: 允许未类型化定义
导入 数学

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 标准正态, 广播全部
from torch.types 导入 数, _大小


全部 = [正态]


类 正态分布(指数族):
    r""
创建一个正态（也称为高斯）分布，参数为
attr:`loc` 和 :attr:`scale`。

示例::

>>> # xdoctest: +IGNORE_WANT("非确定性")
        >>> m = Normal(torch.tensor([0.0]), torch.tensor([1.0]))
>>> m.sample()  # 正态分布，均值=0，标准差=1
        tensor([ 0.1046])

参数：
loc (float or Tensor): 分布的均值（通常称为μ）
scale (float or Tensor): 分布的标准差
（通常称为西格玛）
""

    约束参数 = {"loc": 约束.真实, "缩放": 约束.正的}
    支持 = 约束.真实
    has_rsample = 真实
    _平均载波测量 = 0

    @property
    def 均值(self) 翻译 张量:
        返回 self.定位

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

    @property
    def 标准差(self) 翻译 张量:
        返回 self.缩放

    @property
    def 方差(self) 翻译 张量:
        返回 self.标准差.pow(2)

    def __init__(self, 位置, 比例, 验证参数=无):
        self.位置, self.缩放 = 广播全部(位置, 比例)
        如果 isinstance(位置, 数) 和 isinstance(比例, 数):
            批量形状 = 火炬.尺寸()
        else:
            批量形状 = self.位置.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(Normal, _instance)
batch_shape = torch.Size(batch_shape)
new.loc = self.loc.expand(batch_shape)
new.scale = self.scale.expand(batch_shape)
super(Normal, new).__init__(batch_shape, validate_args=False)
new._validate_args = self._validate_args
返回新的

[文档]    def sample(self, sample_shape=torch.Size()):
shape = self._extended_shape(sample_shape)
with torch.no_grad():
return torch.normal(self.loc.expand(shape), self.scale.expand(shape))

[文档] def rsample(self, sample_shape: _size = torch.Size())
shape = self._extended_shape(sample_shape)
eps = _standard_normal(shape, dtype=self.loc.dtype, device=self.loc.device)
return self.loc + eps * self.scale

[文档] def log_prob(self, value)
if self._validate_args:
self._validate_sample(value)
计算方差
var = self.scale**2
log_scale = (
math.log(self.scale)
如果 isinstance(self.scale, _Number)
否则 self.scale.log()
        )
返回 (
((值 - 自我.loc) ** 2) / (2 * 变量)
对数尺度
math.log(math.sqrt(2 * math.pi))
        )

[文档]    def cdf(self, value):
if self._validate_args:
self._validate_sample(value)
return 0.5 * (
1 + torch.erf((value - self.loc) * self.scale.reciprocal() / math.sqrt(2))
        )

[文档] def icdf(self, value):
return self.loc + self.scale * torch.erfinv(2 * value - 1) * math.sqrt(2)

[文档]    def 熵(self):
返回 0.5 + 0.5 * math.log(2 * math.pi) + torch.log(self.scale)

    @property
    def 自然参数(self) 翻译 元组[张量, 张量]
        返回 (self.定位 / self.比例.pow(2), -0.5 * self.比例.pow(2).相互())

    def 对数归一化器(self, x, y):
        返回 -0.25 * x.pow(2) / y + 0.5 * 火炬.日志(-数学.圆周率 / y)