tf.random.gamma

Генерирует shape выборок из каждого заданного гамма-распределения.

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

alpha — параметр формы, описывающий распределение(я), а beta — обратный параметр масштаба(ов).

Примечание: Поскольку внутренние вычисления выполняются с использованием float64 и преобразование имеет floor семантику, мы должны вручную сопоставить нулевые результаты с наименьшим возможным положительным значением с плавающей запятой, то есть с np.finfo(dtype).tiny. Это означает, что np.finfo(dtype).tiny происходит чаще, чем следовало бы. Этот сдвиг может произойти только для малых значений alpha, то есть alpha << 1 или больших значений beta, то есть beta >> 1.

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

Пример:

samples = tf.random.gamma([10], [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.gamma([7, 5], [0.5, 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.gamma([30], alpha=alpha, beta=beta)
# samples has shape [30, 3, 2], with 30 samples each of 3x2 distributions.

loss = tf.reduce_mean(tf.square(samples))
dloss_dalpha, dloss_dbeta = tf.gradients(loss, [alpha, beta])
# unbiased stochastic derivatives of the loss function
alpha.shape == dloss_dalpha.shape  # True
beta.shape == dloss_dbeta.shape  # True

Ссылки:

Неявные градиенты перепараметризации: Figurnov et al., 2018 (pdf)