tf.contrib.distributions.ConditionalDistribution

Распределение, поддерживающее внутренние параметры (локальные скрытые переменные).

Наследуется от: Distribution

tf.contrib.distributions.ConditionalDistribution(
    dtype, reparameterization_type, validate_args, allow_nan_stats, parameters=None,
    graph_parents=None, name=None
)

Подклассы этого распределения могут иметь дополнительные ключевые аргументы, передаваемые в методы, основанные на выборке (т. е. sample, log_prob, и т. д.).

Методы

batch_shape_tensor

Посмотреть исходный код

batch_shape_tensor(
    name='batch_shape_tensor'
)

Форма единственной выборки из одного индекса события в виде одномерного Tensor.

Размерности пакета представляют собой индексы в независимых, нетождественных параметризациях этого распределения.

cdf

Посмотреть исходный код

cdf(
    value, name='cdf', **condition_kwargs
)

kwargs:

• **condition_kwargs: Имена аргументов, переданные для реализации подкласса.

copy

Посмотреть исходный код

copy(
    **override_parameters_kwargs
)

Создаёт глубокую копию распределения.

Примечание: скопированное распределение может по-прежнему зависеть от исходных аргументов инициализации.

covariance

Посмотреть исходный код

covariance(
    name='covariance'
)

Ковариация.

Ковариация (возможно) определена только для распределений с нескалярными событиями.

Например, для распределения со значениями в векторе длиной k, она вычисляется следующим образом:

Cov[i, j] = Covariance(X_i, X_j) = E[(X_i - E[X_i]) (X_j - E[X_j])]

где Cov — (набор) матрица k x k, 0 <= (i, j) < k, а E обозначает математическое ожидание.

В альтернативном случае, для невекторных, многомерных распределений (например, матричнозначных, Уишарта), Covariance вернёт (набор) матриц при некоторой векторизации размерностей событий, т.е.:

Cov[i, j] = Covariance(Vec(X)_i, Vec(X)_j) = [as above]

где Cov — (набор) матриц k' x k', 0 <= (i, j) < k' = reduce_prod(event_shape), а Vec — некоторая функция, отображающая индексы размерностей событий этого распределения на индексы вектора длиной k'.

cross_entropy

Посмотреть исходный код

cross_entropy(
    other, name='cross_entropy'
)

Вычисляет (поперечную) энтропию Шеннона.

Обозначим данное распределение (self) как P и распределение other как Q. Предполагая, что P, Q абсолютно непрерывны друг относительно друга и допускают плотности p(x) dr(x) и q(x) dr(x), (поперечная) энтропия Шеннона определяется как:

H[P, Q] = E_p[-log q(X)] = -int_F p(x) log q(x) dr(x)

где F обозначает область определения случайной величины X ~ P.

entropy

Посмотреть исходный код

entropy(
    name='entropy'
)

Энтропия Шеннона в натах.

event_shape_tensor

Посмотреть исходный код

event_shape_tensor(
    name='event_shape_tensor'
)

Форма единственной выборки из одного набора в виде одномерного целочисленного Tensor.

is_scalar_batch

Просмотреть исходный код

is_scalar_batch(
    name='is_scalar_batch'
)

Указывает, что batch_shape == [].

is_scalar_event

Просмотреть исходный код

is_scalar_event(
    name='is_scalar_event'
)

Указывает, что event_shape == [].

kl_divergence

Просмотреть исходный код

kl_divergence(
    other, name='kl_divergence'
)

Вычисляет расхождение Кульбака—Лейблера.

Обозначим это распределение (self) как p, а распределение other как q. Предполагая, что p, q являются абсолютно непрерывными относительно меры отсчёта r, расхождение Кульбака—Лейблера определяется как:

KL[p, q] = E_p[log(p(X)/q(X))]
         = -int_F p(x) log q(x) dr(x) + int_F p(x) log p(x) dr(x)
         = H[p, q] - H[p]

где F обозначает область значений случайной величины X ~ p, H[., .] обозначает (шэннон) взаимную энтропию, а H[.] обозначает (шэннон) энтропию.

log_cdf

Просмотреть исходный код

log_cdf(
    value, name='log_cdf', **condition_kwargs
)

kwargs:

• **condition_kwargs: Переданные аргументы в виде ключевых слов в подкласс.

log_prob

Просмотреть исходный код

log_prob(
    value, name='log_prob', **condition_kwargs
)

kwargs:

• **condition_kwargs: Переданные аргументы в виде ключевых слов в подкласс.

log_survival_function

Просмотреть исходный код

log_survival_function(
    value, name='log_survival_function', **condition_kwargs
)

kwargs:

• **condition_kwargs: Переданные аргументы в виде ключевых слов в подкласс.

mean

Просмотреть исходный код

mean(
    name='mean'
)

Математическое ожидание.

mode

Просмотреть исходный код

mode(
    name='mode'
)

Мода.

param_shapes

Просмотреть исходный код

@classmethod
param_shapes(
    sample_shape, name='DistributionParamShapes'
)

Формы параметров, учитывая желаемую форму вызова sample().

Это метод класса, который описывает, какие аргументы ключ/значение требуются для создания данного Distribution, чтобы получить определённую форму для вызова sample() экземпляром.

Подклассы должны переопределить метод класса _param_shapes.

param_static_shapes

Просмотреть исходный код

@classmethod
param_static_shapes(
    sample_shape
)

param_shapes со статическими (т. е. TensorShape) формами.

Это метод класса, который описывает, какие аргументы ключ/значение требуются для создания данного Distribution, чтобы получить определённую форму для вызова sample() экземпляром. Предполагает, что форма выборки известна статически.

Подклассы должны переопределить метод класса _param_shapes, чтобы возвращать тензоры с постоянными значениями при вводе постоянных значений.

prob

Просмотреть исходный код

prob(
    value, name='prob', **condition_kwargs
)

kwargs:

• **condition_kwargs: Переданные аргументы в виде ключевых слов в подкласс.

quantile

Просмотреть исходный код

quantile(
    value, name='quantile'
)

Функция квантиля. Также известна как обратная функция распределения или функция процентиля.

Для случайной величины X и p in [0, 1], quantile:

quantile(p) := x such that P[X <= x] == p

sample

Просмотреть исходный код

sample(
    sample_shape=(), seed=None, name='sample', **condition_kwargs
)

kwargs:

• **condition_kwargs: Переданные аргументы в виде ключевых слов в подкласс.

stddev

Просмотреть исходный код

stddev(
    name='stddev'
)

Среднеквадратическое отклонение.

Среднеквадратическое отклонение определяется как,

stddev = E[(X - E[X])**2]**0.5

где X — случайная величина, связанная с этим распределением, E обозначает математическое ожидание, и stddev.shape = batch_shape + event_shape.

survival_function

Просмотреть исходный код

survival_function(
    value, name='survival_function', **condition_kwargs
)

kwargs:

• **condition_kwargs: Имена аргументов, переданные в реализацию подкласса.

variance

Просмотреть исходный код

variance(
    name='variance'
)

Дисперсия.

Дисперсия определяется как,

Var = E[(X - E[X])**2]

где X — случайная величина, связанная с этим распределением, Var.shape = batch_shape + event_shape обозначает математическое ожидание, и E.