tf.random.stateless_gamma

Выводит детерминированные псевдослучайные значения из гамма-распределения.

tf.random.stateless_gamma(
    shape,
    seed,
    alpha,
    beta=None,
    dtype=tf.dtypes.float32,
    name=None
)

Сгенерированные значения соответствуют гамма-распределению с заданными параметрами концентрации (alpha) и обратного масштаба (beta).

Это версия tf.random.gamma без состояния: при повторном запуске с теми же начальными значениями и формами она будет выдавать те же псевдослучайные числа. Результат будет одинаковым при нескольких запусках на одном оборудовании (а также на CPU и GPU), но может измениться при переходе между версиями TensorFlow или при использовании оборудования, отличного от CPU/GPU.

Интерпретация параметра shape немного различается в stateless_gamma и gamma: в gamma shape всегда добавляется в начало формы результата broadcast-операции над alpha и beta; тогда как в stateless_gamma параметр shape всегда должен охватывать формы каждого из alpha и beta (которые должны совместно подвергаться broadcast-операции, чтобы соответствовать конечным измерениям shape).

Примечание: Поскольку внутренние вычисления выполняются с использованием float64, а приведение типов имеет семантику floor, нулевые результаты необходимо вручную заменять на наименьшее возможное положительное значение с плавающей запятой, то есть np.finfo(dtype).tiny. Это означает, что np.finfo(dtype).tiny встречается чаще, чем следовало бы. Такое смещение может возникать только при малых значениях alpha, то есть alpha << 1, или больших значениях beta, то есть beta >> 1.

Выборки дифференцируемы по alpha и beta. Производные вычисляются с использованием подхода, описанного в (Figurnov et al., 2018).

Пример:

samples = tf.random.stateless_gamma([10, 2], seed=[12, 34], alpha=[0.5, 1.5])
# samples has shape [10, 2], where each slice [:, 0] and [:, 1] represents
# the samples drawn from each distribution

samples = tf.random.stateless_gamma([7, 5, 2], seed=[12, 34], alpha=[.5, 1.5])
# samples has shape [7, 5, 2], where each slice [:, :, 0] and [:, :, 1]
# represents the 7x5 samples drawn from each of the two distributions

alpha = tf.constant([[1.], [3.], [5.]])
beta = tf.constant([[3., 4.]])
samples = tf.random.stateless_gamma(
    [30, 3, 2], seed=[12, 34], alpha=alpha, beta=beta)
# samples has shape [30, 3, 2], with 30 samples each of 3x2 distributions.

with tf.GradientTape() as tape:
  tape.watch([alpha, beta])
  loss = tf.reduce_mean(tf.square(tf.random.stateless_gamma(
      [30, 3, 2], seed=[12, 34], alpha=alpha, beta=beta)))
dloss_dalpha, dloss_dbeta = tape.gradient(loss, [alpha, beta])
# unbiased stochastic derivatives of the loss function
alpha.shape == dloss_dalpha.shape  # True
beta.shape == dloss_dbeta.shape  # True