torch.distributions.weibull 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.exponential 导入 指数分布
from torch.distributions.gumbel 导入 欧拉常数
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.utils 导入 广播全部


全部 = [威布尔分布]


类 威布尔分布(转换分布):
    r""
来自双参数威布尔分布的样本。

示例：

>>> # xdoctest: +IGNORE_WANT("非确定性")
        >>> m = Weibull(torch.tensor([1.0]), torch.tensor([1.0]))
>>> m.sample()  # 从尺度=1，集中度=1 的 Weibull 分布中采样
        tensor([ 0.4784])

参数：
scale (float or Tensor): 分布的尺度参数（λ）。
浓度（浮点数或张量）：分布的浓度参数（k/shape）。
""

    约束参数 = {
        "缩放": 约束.正的,
        浓度: 约束.正的,
    }
    支持 = 约束.正向

    def __init__(self, 比例, 浓度, 验证参数=无):
        self.比例, self.concentration = 广播全部(比例, 浓度)
        self.浓度倒数 = self.浓度.相互()
        基础分布 = 指数(
            火炬.喜欢的(self.比例), 验证参数=验证参数
        )
        转换 = [
            功率变换(指数=self.浓度倒数),
            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, batch_shape, _instance=None):
new = self._get_checked_instance(Weibull, _instance)
new.scale = self.scale.expand(batch_shape)
new.concentration = self.concentration.expand(batch_shape)
new.concentration_reciprocal = new.concentration.reciprocal()
base_dist = self.base_dist.expand(batch_shape)
transforms = [
PowerTransform(exponent=new.concentration_reciprocal),
AffineTransform(loc=0, scale=new.scale),
        ]
super(Weibull, new).__init__(base_dist, transforms, validate_args=False)
new._validate_args = self._validate_args
return new

    @property
    def 均值(self) 翻译 张量:
        返回 self.缩放 * 火炬.exp(火炬.lgamma(1 + self.浓度倒数))

    @property
    def 模式(self) 翻译 张量:
        返回 (
            self.缩放
            * ((self.concentration - 1) / self.浓度)
            ** self.浓度.相互()
        )

    @property
    def 方差(self) 翻译 张量:
        返回 self.比例.pow(2) * (
            火炬.exp(火炬.lgamma(1 + 2 * self.浓度倒数))
            - 火炬.exp(2 * 火炬.lgamma(1 + self.浓度倒数))
        )

[文档]    def 熵(self):
return (
euler_constant * (1 - self.concentration_reciprocal)
+ torch.log(self.scale * self.concentration_reciprocal)
            + 1
        )