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 следуют гамма-распределению со заданными параметрами концентрации (alpha) и обратной шкалы (beta).

Это бессостоятельная версия tf.random.gamma: если её запустить дважды с одними и теми же семенами и формами, она сгенерирует те же псевдослучайные числа. Выходной результат согласован при многократном запуске на одном оборудовании (и между процессором и графическим процессором), но может меняться между версиями TensorFlow или на оборудовании, не являющимся CPU/GPU.

Небольшое различие существует в интерпретации параметра shape между stateless_gamma и gamma: в gamma, параметр shape всегда предшествует форме результата операции вещания alpha с beta; тогда как в stateless_gamma, параметр shape всегда должен охватывать формы каждого из alpha и beta (которые должны быть совместимы друг с другом по форме для соответствия последним измерениям shape).

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

Выборка данных дифференцируема по отношению к 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