torch.distributions.pareto 源代码

from 打字 导入 可选

from 火炬 导入 张量
from torch.distributions 导入 约束
from torch.distributions.exponential 导入 指数分布
from torch.distributions.transformed_distribution 导入 转换分布
from torch.distributions.transforms 导入 变换矩阵, ExpTransform
from torch.distributions.utils 导入 广播全部
from torch.types 导入 _大小


全部 = [帕累托分布]


类 帕累托(转换分布):
    r""
帕累托类型 1 分布的样本。

示例::

>>> # xdoctest: +IGNORE_WANT("非确定性")
        >>> m = Pareto(torch.tensor([1.0]), torch.tensor([1.0]))
>>> m.sample()  # 从尺度=1 和α=1 的帕累托分布中采样
        tensor([ 1.5623])

参数：
scale (float 或 Tensor): 分布的尺度参数
alpha（浮点数或张量）：分布的形状参数
""

    约束参数 = {"alpha": 约束.正的, "缩放": 约束.正的}

    def __init__(
        self, 比例: 张量, 阿尔法: 张量, 验证参数: 可选[布尔] = 无
    ) 翻译 无:
        self.比例, self.alpha = 广播全部(比例, 阿尔法)
        基础分布 = 指数(self.阿尔法, 验证参数=验证参数)
        转换 = [指数转换(), 变换矩阵(位置=0, 比例=self.比例)]
        超级().__init__(base_dist, 转换, 验证参数=验证参数)

[文档]    def expand(
self, 批量形状: _size, _实例: Optional["Pareto"] = None
" -> "帕累托":
new = self._get_checked_instance(Pareto, _instance)
new.scale = self.scale.expand(batch_shape)
new.alpha = self.alpha.expand(batch_shape)
return super().expand(batch_shape, _instance=new)

    @property
    def 均值(self) 翻译 张量:
        # 均值在 alpha <= 1 时为无穷大
        a = self.阿尔法.卡钳(最小值=1)
        返回 a * self.缩放 / (a - 1)

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

    @property
    def 方差(self) 翻译 张量:
        # 方差在 alpha <= 2 时为无穷大
        a = self.阿尔法.卡钳(最小值=2)
        返回 self.比例.pow(2) * a / ((a - 1).pow(2) * (a - 2))

    @constraints.依赖属性(是否离散=错误, 事件维度=0)
    def 支持(self) 翻译 约束.约束:
        返回 约束.大于等于(self.比例)

[文档]    def entropy(self) -> Tensor:
返回 (self.scale / self.alpha).log() + (1 + self.alpha.reciprocal())