源代码 for torch.distributions.uniform

# 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.distribution 导入 分布
from torch.distributions.utils 导入 广播全部
from torch.types 导入 数, _大小


全部 = [统一]


类 均匀分布(分发):
    r""
生成半开区间的均匀分布随机样本
[低, 高)

示例::

        >>> m = Uniform(torch.tensor([0.0]), torch.tensor([5.0]))
>>> m.sample()  # 均匀分布在 [0.0, 5.0) 范围内
        >>> # xdoctest: +SKIP
        tensor([ 2.3418])

参数：
low (float 或 Tensor): 下限范围（包含）。
高（浮点数或张量）：上界（不包括）。
""

    # TODO 允许（loc,scale）参数化以允许独立约束。
    约束参数 = {
        低: 约束.依赖的(是否离散=错误, 事件维度=0),
        高: 约束.依赖的(是否离散=错误, 事件维度=0),
    }
    has_rsample = 真实

    @property
    def 均值(self) 翻译 张量:
        返回 (self.高 + self.低) / 2

    @property
    def 模式(self) 翻译 张量:
        返回 纳尼 * self.高

    @property
    def 标准差(self) 翻译 张量:
        返回 (self.高 - self.低) / 12**0.5

    @property
    def 方差(self) 翻译 张量:
        返回 (self.高 - self.低).pow(2) / 12

    def __init__(self, 低, 高, 验证参数=无):
        self.低, self.高 = 广播全部(低, 高)

        如果 isinstance(低, 数) 和 isinstance(高, 数):
            批量形状 = 火炬.尺寸()
        else:
            批量形状 = self.低.尺寸()
        超级().__init__(批量形状, 验证参数=验证参数)

        如果 self.验证参数 和 不是 火炬.lt(self.低, self.高).所有():
            提升 ValueError("当 low>= high 时，均匀未定义")

[文档]    def expand(self, batch_shape, _instance=None):
new = self._get_checked_instance(Uniform, _instance)
batch_shape = torch.Size(batch_shape)
new.low = self.low.expand(batch_shape)
new.high = self.high.expand(batch_shape)
super(Uniform, new).__init__(batch_shape, validate_args=False)
new._validate_args = self._validate_args
return new

    @constraints.依赖属性(是否离散=错误, 事件维度=0)
    def 支持(self):
        返回 约束.区间(self.低, self.高)

[文档] def rsample(self, sample_shape: _size = torch.Size()) -> Tensor:
shape = self._extended_shape(sample_shape)
rand = torch.rand(shape, dtype=self.low.dtype, device=self.low.device)
return self.low + rand * (self.high - self.low)

[文档]    def log_prob(self, value):
if self._validate_args:
self._validate_sample(value)
lb = self.low.le(value).type_as(self.low)
ub = self.high.gt(value).type_as(self.low)
return torch.log(lb.mul(ub)) - torch.log(self.high - self.low)

[文档]    def cdf(self, value):
if self._validate_args:
self._validate_sample(value)
result = (值 - self.low) / (self.high - self.low)
return result.clamp(min=0, max=1)

[文档]    def icdf(self, value):
result = value * (self.high - self.low) + self.low
返回结果

[文档]    def 熵(self):
return torch.log(self.high - self.low)