Mẫu từ python phân phối chung
Xem các phiên từ Hội nghị chuyên đề WiML về các mô hình khuếch tán với KerasCV, ML trên thiết bị, v.v. Xem theo yêu cầu Show
Phân phối chung được tham số hóa bởi các hàm tạo phân phối Kế thừa từ. 2, 3
Được sử dụng trong sổ ghi chépĐược sử dụng trong các hướng dẫn
Phân phối này cho phép lấy mẫu và tính toán xác suất chung từ một đặc tả mô hình duy nhất Một phân phối chung là một tập hợp các phân phối có thể phụ thuộc lẫn nhau. Giống như 4, 5 có thể được chỉ định thông qua một 6 hàm (mỗi hàm chịu trách nhiệm tạo một thể hiện giống như 7). Không giống như 4, mỗi hàm có thể phụ thuộc vào đầu ra của tất cả các phần tử trước đó thay vì chỉ phần tử ngay trước đó#### Chi tiết toán học 5 thực hiện quy tắc xác suất chuỗi. Nghĩa là, hàm xác suất của véc-tơ _______90 chiều dài 1 là, 1 5 được tham số hóa bởi một 6 bao gồm một trong hai
Nếu mọi phần tử của 195 là một 196 hoặc có thể gọi được, thì kết quả 5 là một 196. Mặt khác, một phiên bản không ____1196 155 được tạolập luận 195Danh sách Python của một trong hai tfd. Các phiên bản phân phối và/hoặc các hàm lambda lấy các bản phân phối trước đó của 128 và trả về một tfd mới. ví dụ phân phối. 169 604 138 số lượng kích thước lô. Các 118 của tất cả các bản phân phối thành phần phải sao cho các tiền tố có độ dài 169 phát thành một hình dạng lô chung nhất quán. Giá trị mặc định. 608. 609Trăn 610. Có sử dụng 161 để tự động vector hóa đánh giá mô hình hay không. Điều này cho phép đặc tả mô hình tập trung vào việc vẽ một mẫu duy nhất, điều này thường đơn giản hơn, nhưng một số thao tác có thể không được hỗ trợ. Giá trị mặc định. 612. 613Trăn 610. Có xác thực đầu vào với các xác nhận hay không. Nếu 613 là 612 và đầu vào không hợp lệ, hành vi đúng không được đảm bảo. Giá trị mặc định. 612. 618Trăn 610. Khi 620, chúng tôi sử dụng phép tính tổng Kahan để tổng hợp các giá trị log_prob cơ bản độc lập, giúp cải thiện độ chính xác của tổng float32 ngây thơ. Điều này có thể đặc biệt đáng chú ý đối với kích thước lớn trong float32. Xem cảnh báo CPU trên 621. Đối số này không có hiệu lực nếu 622. Giá trị mặc định. 612. 624Tên của các hoạt động do phân phối quản lý. Giá trị mặc định. 608 (tôi. e. , 626)Số liệu thống kê trả về +/- vô cùng khi nó có ý nghĩa. e. g. , phương sai của phân phối Cauchy là vô cùng. Tuy nhiên, đôi khi số liệu thống kê là không xác định, đ. g. , nếu pdf của bản phân phối không đạt được mức tối đa trong phạm vi hỗ trợ của bản phân phối, thì chế độ không được xác định. Nếu giá trị trung bình không được xác định, thì theo định nghĩa, phương sai không được xác định. e. g. giá trị trung bình của Student's T đối với df = 1 là không xác định (không có cách nào rõ ràng để nói nó là + hoặc - vô cùng), vì vậy phương sai = E[(X - mean)**2] cũng không được xác định Có thể được xác định một phần hoặc chưa biết Kích thước lô được lập chỉ mục thành các tham số hóa độc lập, không giống hệt nhau của phân phối này Có thể được xác định một phần hoặc chưa biết Ghi chú. phương pháp này sử dụng sự phản chiếu để tìm các biến trên phiên bản hiện tại và các mô hình con. Vì lý do hiệu suất, bạn có thể muốn lưu trữ kết quả của việc gọi phương thức này nếu bạn không muốn giá trị trả về thay đổi.Hiện tại, đây là một trong những phiên bản tĩnh 627 hoặc 628Mô hình con là mô-đun là thuộc tính của mô-đun này hoặc được tìm thấy dưới dạng thuộc tính của mô-đun là thuộc tính của mô-đun này (v.v.) Thuộc tính 629Python 610 mô tả hành vi khi một chỉ số không được xác định. 169 118Hình dạng của một mẫu từ một chỉ mục sự kiện duy nhất dưới dạng 146. 120Các 635 của 138 được xử lý bởi 3 này. 119Hình dạng của một mẫu đơn lẻ từ một lô duy nhất dưới dạng 146. 640Cho biết liệu phân phối bộ phận có tên trục phân đoạn đang hoạt động hay không. 195 624Tên được đặt trước cho tất cả các hoạt động được tạo bởi 3 này. 644Trả về một phiên bản 645 cho lớp này. 646Chuỗi các biến không thể huấn luyện thuộc sở hữu của mô-đun này và các mô-đun con của nó. 647Từ điển các tham số được sử dụng để khởi tạo 3 này. 649Mô tả cách các mẫu từ bản phân phối được tham số hóa lại. 650Trình tự của tất cả các mô-đun con. 651Chuỗi các biến có thể huấn luyện thuộc sở hữu của mô-đun này và các mô-đun con của nó. 609 613Python 610 cho biết các kiểm tra đắt tiền có thể được bật. 655Chuỗi các biến thuộc sở hữu của mô-đun này và các mô-đun con của nóLớp học trẻ em 656phương phápjd = tfd.JointDistributionSequential([ tfd.Normal(0., tf.ones([3])), lambda x: tfd.Normal(x[..., tf.newaxis], tf.ones([3, 2])) ], batch_ndims=0) 657 10Hình dạng của một mẫu từ một chỉ mục sự kiện duy nhất dưới dạng 1-D 138Kích thước lô được lập chỉ mục thành các tham số hóa độc lập, không giống hệt nhau của phân phối này Args 624tên để cung cấp cho opReturns 118 138jd = tfd.JointDistributionSequential([ tfd.Normal(0., tf.ones([3])), lambda x: tfd.Normal(x[..., tf.newaxis], tf.ones([3, 2])) ], batch_ndims=0) 662 11Chức năng phân phối tích lũy Cho biến ngẫu nhiên 663, hàm phân phối tích lũy 662 là 12Args____3665____3666 hoặc 667 138. 624Python 670 được đặt trước tên của các hoạt động được tạo bởi hàm này. 671Các đối số được đặt tên được chuyển tiếp đến triển khai lớp con. Trả về 662a 138 của hình dạng 674 với các giá trị của loại 675jd = tfd.JointDistributionSequential([ tfd.Normal(0., tf.ones([3])), lambda x: tfd.Normal(x[..., tf.newaxis], tf.ones([3, 2])) ], batch_ndims=0) 676 13Tạo một bản sao sâu của bản phân phối Ghi chú. việc phân phối bản sao có thể tiếp tục phụ thuộc vào các đối số khởi tạo ban đầu. Args____3677Từ điển chuỗi/giá trị của các đối số khởi tạo để ghi đè bằng các giá trị mới. Trả về 143Một phiên bản mới của 679 được khởi tạo từ sự kết hợp của self. thông số và override_parameters_kwargs, tôi. e. , 680. jd = tfd.JointDistributionSequential([ tfd.Normal(0., tf.ones([3])), lambda x: tfd.Normal(x[..., tf.newaxis], tf.ones([3, 2])) ], batch_ndims=0) 681 14hiệp phương sai Hiệp phương sai (có thể) chỉ được xác định cho các phân phối sự kiện không vô hướng Ví dụ: đối với chiều dài- 128, phân phối có giá trị véc-tơ, nó được tính như sau, 15trong đó 683 là một (lô) ma trận 684, 685 và 686 biểu thị kỳ vọngNgoài ra, đối với các phân phối đa biến, phi vectơ (e. g. , có giá trị ma trận, Wishart), 687 sẽ trả về một (lô) ma trận theo một số véc tơ hóa của các sự kiện, i. e. , 16trong đó 683 là một (lô) ma trận 689, 690 và 691 là một số chỉ số ánh xạ hàm của các thứ nguyên sự kiện của phân phối này với các chỉ số có độ dài- 692 vectơArgs____3624Python 670 được thêm vào trước tên của các hoạt động được tạo bởi hàm này. 671Các đối số được đặt tên được chuyển tiếp đến triển khai lớp con. Returns 681Floating-point 138 với hình dạng 698 trong đó kích thước 110 đầu tiên là tọa độ lô và 700jd = tfd.JointDistributionSequential([ tfd.Normal(0., tf.ones([3])), lambda x: tfd.Normal(x[..., tf.newaxis], tf.ones([3, 2])) ], batch_ndims=0) 701 17Tính entropy chéo (Shannon) Biểu thị phân phối này ( 702) bằng 703 và phân phối 704 bằng 705. Giả sử 706 hoàn toàn liên tục đối với nhau và cho phép mật độ 707 và 708, (Shannon) cross entropy được định nghĩa là 18trong đó 709 biểu thị độ hỗ trợ của biến ngẫu nhiên 710Các loại 704 có đăng ký tích hợp. ________ 3712, ________ 3713, ________ 05, ________ 3715Ví dụ Args____3704 7. 624Python 670 được đặt trước tên của các hoạt động được tạo bởi hàm này. Returns 701 675 138 với hình dạng 723 đại diện cho 110 phép tính khác nhau của (Shannon) cross entropyjd = tfd.JointDistributionSequential([ tfd.Normal(0., tf.ones([3])), lambda x: tfd.Normal(x[..., tf.newaxis], tf.ones([3, 2])) ], batch_ndims=0) 725 19Shannon entropy trong nats Tài liệu bổ sung từ 155Shannon entropy trong nats jd = tfd.JointDistributionSequential([ tfd.Normal(0., tf.ones([3])), lambda x: tfd.Normal(x[..., tf.newaxis], tf.ones([3, 2])) ], batch_ndims=0) 727 60Hình dạng của một mẫu từ một lô duy nhất dưới dạng 1-D int32 138Args 624name để cung cấp cho opReturns 119 138jd = tfd.JointDistributionSequential([ tfd.Normal(0., tf.ones([3])), lambda x: tfd.Normal(x[..., tf.newaxis], tf.ones([3, 2])) ], batch_ndims=0) 732 61Bijector ánh xạ số thực (R**n) vào không gian sự kiện của phân phối Các bản phân phối có hỗ trợ liên tục có thể triển khai 733 trả về một lớp con của 734 ánh xạ R**n tới không gian sự kiện của bản phân phối. Ví dụ: công cụ phân phối mặc định cho phân phối 735 là 736, ánh xạ đường thực tới 737, hỗ trợ của phân phối 735. Bộ phân phối mặc định cho phân phối 739 là 740, ánh xạ R^(k * (k-1) // 2) tới đa tạp con của k x k ma trận tam giác thấp hơn với các ma trận dọc theo đường chéoMục đích của 732 là cho phép giảm dần độ dốc trong một không gian không bị giới hạn cho các phương pháp Suy luận biến đổi và Hamiltonian Monte Carlo. Một số nỗ lực đã được thực hiện để chọn các phép chiếu sao cho các đuôi của phân phối trong không gian không bị giới hạn nằm giữa Gaussian và ExponentialĐối với các bản phân phối có không gian sự kiện rời rạc hoặc TFP hiện thiếu bộ tạo ảnh phù hợp, hàm này trả về 608Args______3743Được chuyển sang triển khai 733. 671Được thông qua để triển khai 733. Trả về_______3747____3748 phiên bản hoặc 608jd = tfd.JointDistributionSequential([ tfd.Normal(0., tf.ones([3])), lambda x: tfd.Normal(x[..., tf.newaxis], tf.ones([3, 2])) ], batch_ndims=0) 750 62Khởi tạo một phân phối tối đa hóa khả năng của 1Args 665a 138 mẫu hợp lệ từ họ phân phối này. 754Tích cực 604 Số tenxơ của các chiều ngoài cùng bên trái của 665 mà chỉ số i. i. d. mẫu. Giá trị mặc định. 757. 613Python 610, mặc định 612. Khi 620, các tham số phân phối được kiểm tra tính hợp lệ mặc dù có thể làm giảm hiệu suất thời gian chạy. Khi 612, các đầu vào không hợp lệ có thể âm thầm hiển thị các đầu ra không chính xác. Giá trị mặc định. 612. 764Các đối số từ khóa bổ sung được chuyển đến 765. Chúng được ưu tiên trong trường hợp xung đột với các tham số được trang bị; . Trả về_______3769ví dụ của 770 với các tham số tối đa hóa khả năng của 665jd = tfd.JointDistributionSequential([ tfd.Normal(0., tf.ones([3])), lambda x: tfd.Normal(x[..., tf.newaxis], tf.ones([3, 2])) ], batch_ndims=0) 772 63Trả về mật độ xác suất nhật ký cùng với một 773Một 773 cho phép chúng tôi tính toán mật độ đẩy về phía trước chính xác khi chúng tôi áp dụng một phép biến đổi cho một 3 trên một đa tạp con nghiêm ngặt của R^n (thường thông qua một 748 trong phân lớp 777). Hiệu chỉnh mật độ sử dụng cơ sở của không gian tiếp tuyếnĐối số_______3665____3666 hoặc 667 138. 782 610 chỉ định xem có nên quay lại trả về 784 làm không gian tiếp tuyến hay không và biểu diễn R^n với cơ sở chuẩn. 671Các đối số được đặt tên được chuyển tiếp đến triển khai lớp con. Trả về 117a 138 đại diện cho mật độ xác suất nhật ký, có hình dạng 674 với các giá trị loại 675. Đối tượng 790a 773 (theo mặc định là 784) đại diện cho không gian tiếp tuyến với đa tạp tại 665. RaisesUnspecifiedTangentSpaceError nếu 782 là Sai và thuộc tính 795 chưa được xác địnhjd = tfd.JointDistributionSequential([ tfd.Normal(0., tf.ones([3])), lambda x: tfd.Normal(x[..., tf.newaxis], tf.ones([3, 2])) ], batch_ndims=0) 796 64Ghim một số phần, trả về một đối tượng phân phối không chuẩn hóa Quy ước gọi cũng giống như các phương thức 2 khác (e. g. 117), nhưng với sự khác biệt là không phải tất cả các phần đều được yêu cầu. Về mặt này, hành vi tương tự như hành vi của đối số 665 của hàm 116ví dụ 65Args____3743Lập luận quan điểm. một cấu trúc giá trị hoặc các giá trị thành phần (xem ở trên). ________ 3671 Đối số từ khóa. một cấu trúc giá trị hoặc các giá trị thành phần (xem ở trên). Cũng có thể bao gồm 624, chỉ định tên chuỗi Python cho ops được tạo bởi phương pháp này. Trả về 804a 805 với các giá trị đã cho được ghimjd = tfd.JointDistributionSequential([ tfd.Normal(0., tf.ones([3])), lambda x: tfd.Normal(x[..., tf.newaxis], tf.ones([3, 2])) ], batch_ndims=0) 806 66Các mẫu từ phân phối này và trả về mật độ nhật ký của mẫu Việc triển khai mặc định chỉ đơn giản là gọi 116 và 117 67Tuy nhiên, một số lớp con có thể cung cấp các triển khai hiệu quả hơn và/hoặc ổn định về mặt số lượng Args____1158integer 138 hình dạng mẫu mong muốn để vẽ. Giá trị mặc định. 811. 812PRNG hạt giống; . Giá trị mặc định. 608. 624tên để cung cấp cho op. Giá trị mặc định. 816. 671Các đối số được đặt tên được chuyển tiếp đến triển khai lớp con. Returns 818a 138, hoặc cấu trúc của 138s, với kích thước được thêm vào trước 158. 117a 138 của hình dạng 674 với các giá trị của loại 675jd = tfd.JointDistributionSequential([ tfd.Normal(0., tf.ones([3])), lambda x: tfd.Normal(x[..., tf.newaxis], tf.ones([3, 2])) ], batch_ndims=0) 826 68Cho biết rằng 827Args____3624Python 670 được thêm vào trước tên của các hoạt động được tạo bởi hàm này. Trả về 826____3610 vô hướng 138 cho mỗi phân phối trong 195jd = tfd.JointDistributionSequential([ tfd.Normal(0., tf.ones([3])), lambda x: tfd.Normal(x[..., tf.newaxis], tf.ones([3, 2])) ], batch_ndims=0) 834 69Cho biết rằng 835Args____3624Python 670 được thêm vào trước tên của các hoạt động được tạo bởi hàm này. Returns 834 610 vô hướng 138 cho mỗi phân phối trong 195jd = tfd.JointDistributionSequential([ tfd.Normal(0., tf.ones([3])), lambda x: tfd.Normal(x[..., tf.newaxis], tf.ones([3, 2])) ], batch_ndims=0) 842 70Tính toán phân kỳ Kullback--Leibler Biểu thị phân phối này ( 702) bằng 844 và phân phối 704 bằng 846. Giả sử 847 hoàn toàn liên tục đối với thước đo tham chiếu 848, phân kỳ KL được định nghĩa là 71trong đó 709 biểu thị độ hỗ trợ của biến ngẫu nhiên 850, 851 biểu thị entropy chéo (Shannon) và 852 biểu thị entropy (Shannon)Các loại 704 có đăng ký tích hợp. ________ 3712, ________ 3713, ________ 05, ________ 3715Ví dụ Args____3704 7. 624Python 670 được đặt trước tên của các hoạt động được tạo bởi hàm này. Returns 842 675 138 với hình dạng 723 đại diện cho 110 các phép tính khác nhau của phân kỳ Kullback-Leiblerjd = tfd.JointDistributionSequential([ tfd.Normal(0., tf.ones([3])), lambda x: tfd.Normal(x[..., tf.newaxis], tf.ones([3, 2])) ], batch_ndims=0) 867 72Nhật ký chức năng phân phối tích lũy Cho biến ngẫu nhiên 663, hàm phân phối tích lũy 662 là 73Thông thường, một phép tính gần đúng bằng số có thể được sử dụng cho 870 để mang lại câu trả lời chính xác hơn là chỉ lấy logarit của 662 khi 872Đối số_______3665____3666 hoặc 667 138. 624Python 670 được đặt trước tên của các hoạt động được tạo bởi hàm này. 671Các đối số được đặt tên được chuyển tiếp đến triển khai lớp con. Trả về 880a 138 của hình dạng 674 với các giá trị của loại 675jd = tfd.JointDistributionSequential([ tfd.Normal(0., tf.ones([3])), lambda x: tfd.Normal(x[..., tf.newaxis], tf.ones([3, 2])) ], batch_ndims=0) 117 74Hàm mật độ/khối lượng log xác suất Các phương pháp đo lường của 2 ( 117, 887, v.v. ) có thể được gọi bằng cách chuyển một cấu trúc tenxơ duy nhất hoặc bằng cách sử dụng các đối số được đặt tên cho từng phần của trạng thái phân phối chung. Ví dụ, 75Tên phân phối thành phần của 2 được giải quyết thông qua 889, được triển khai bởi mỗi phân lớp 2 (xem tài liệu của phân lớp để biết chi tiết). Nói chung, đối với các thành phần có tên được cung cấp--- rõ ràng là đối số 624 cho phân phối hoặc dưới dạng khóa trong JointDistribution có giá trị chính tả hoặc ngầm định, e. g. , theo tên đối số của hàm tạo phân phối 5---tên được cung cấp sẽ được sử dụng. Nếu không, thành phần sẽ nhận được một tên giả; Ghi chú. không phải tất cả các lớp con của 2 đều hỗ trợ tất cả các kiểu gọi; . e. , là một 895 hoặc 896 chứ không phải là một 897 đơn giản). Lưu ý. cần thận trọng để giải quyết bất kỳ sự mơ hồ tiềm ẩn nào---điều này thường có thể thực hiện được bằng cách kiểm tra cấu trúc của đối số được cung cấp và "căn chỉnh" nó theo cấu trúc đầu ra phân phối chung (được xác định bởi 898). Ví dụ: ____376Lưu ý rằng trong lần gọi đầu tiên, 899 được hiểu là danh sách một số vô hướng trong khi ở lần gọi thứ hai, đầu vào là một số vô hướng. Do đó, cả hai đầu vào dẫn đến đầu ra vô hướng giống hệt nhau. Nếu chúng ta muốn truyền một vectơ rõ ràng cho thành phần 600---tạo ra một loạt các 117 có hình dạng vectơ---thay vào đó, chúng ta có thể viết 602Args 743 Lập luận quan điểm. một cấu trúc 665 hoặc các giá trị thành phần (xem ở trên). ________ 3671 Đối số từ khóa. một cấu trúc 665 hoặc các giá trị thành phần (xem ở trên). Cũng có thể bao gồm 624, chỉ định tên chuỗi Python cho ops được tạo bởi phương pháp này. Trả về 117a 138 của hình dạng 674 với các giá trị của loại 675jd = tfd.JointDistributionSequential([ tfd.Normal(0., tf.ones([3])), lambda x: tfd.Independent(tfd.Normal(x[..., tf.newaxis], tf.ones([3, 2])), reinterpreted_batch_ndims=1) ], batch_ndims=None) 612 77Hàm mật độ/khối lượng log xác suất Args 665 6 của 138 theo thứ tự 616 mà chúng tôi tính toán 612 và để tham số hóa các bản phân phối ("hạ lưu") khác. 624name được thêm vào trước ops được tạo bởi chức năng này. Giá trị mặc định. 619. Returns 612a 142 của 138 đại diện cho 117 cho mỗi 616 được đánh giá tại mỗi 665 tương ứngjd = tfd.JointDistributionSequential([ tfd.Normal(0., tf.ones([3])), lambda x: tfd.Independent(tfd.Normal(x[..., tf.newaxis], tf.ones([3, 2])), reinterpreted_batch_ndims=1) ], batch_ndims=None) 626 78Đăng nhập chức năng sinh tồn Cho biến ngẫu nhiên 663, hàm tồn tại được xác định 79Thông thường, các phép tính gần đúng bằng số khác nhau có thể được sử dụng cho hàm tồn tại nhật ký, chính xác hơn 628 khi 629Đối số_______3665____3666 hoặc 667 138. 624Python 670 được đặt trước tên của các hoạt động được tạo bởi hàm này. 671Các đối số được đặt tên được chuyển tiếp đến triển khai lớp con. Trả về 138 của hình dạng 674 với các giá trị của loại 675jd = tfd.JointDistributionSequential([ tfd.Normal(0., tf.ones([3])), lambda x: tfd.Independent(tfd.Normal(x[..., tf.newaxis], tf.ones([3, 2])), reinterpreted_batch_ndims=1) ], batch_ndims=None) 640 80Bần tiện jd = tfd.JointDistributionSequential([ tfd.Normal(0., tf.ones([3])), lambda x: tfd.Independent(tfd.Normal(x[..., tf.newaxis], tf.ones([3, 2])), reinterpreted_batch_ndims=1) ], batch_ndims=None) 641 81Cách thức jd = tfd.JointDistributionSequential([ tfd.Normal(0., tf.ones([3])), lambda x: tfd.Independent(tfd.Normal(x[..., tf.newaxis], tf.ones([3, 2])), reinterpreted_batch_ndims=1) ], batch_ndims=None) 642 82Hình dạng của các tham số được cung cấp hình dạng mong muốn của lệnh gọi tới 643. (không dùng nữa)Không dùng nữa. CHỨC NĂNG NÀY KHÔNG ĐƯỢC DÙNG. Nó sẽ bị xóa sau 2021-03-01. Hướng dẫn cập nhật. Phương pháp 642 của 108 không được dùng nữa; . Đây là một phương thức lớp mô tả những đối số khóa/giá trị nào được yêu cầu để khởi tạo 3 đã cho để một hình dạng cụ thể được trả về cho lệnh gọi của phiên bản đó tới 643Các lớp con nên ghi đè phương thức lớp 649Args____1158 138 hoặc danh sách python/tuple. Hình dạng mong muốn của cuộc gọi đến 643. 624name để thêm vào trước ops. Trả về ______3897 của tên tham số cho hình dạng 138jd = tfd.JointDistributionSequential([ tfd.Normal(0., tf.ones([3])), lambda x: tfd.Independent(tfd.Normal(x[..., tf.newaxis], tf.ones([3, 2])), reinterpreted_batch_ndims=1) ], batch_ndims=None) 656 83param_shapes với tĩnh (i. e. 146) hình dạng. (không dùng nữa)Không dùng nữa. CHỨC NĂNG NÀY KHÔNG ĐƯỢC DÙNG. Nó sẽ bị xóa sau 2021-03-01. Hướng dẫn cập nhật. Phương pháp 656 của 108 không được dùng nữa; . Đây là một phương thức lớp mô tả những đối số khóa/giá trị nào được yêu cầu để khởi tạo 3 đã cho để một hình dạng cụ thể được trả về cho lệnh gọi của phiên bản đó tới 643. Giả sử rằng hình dạng của mẫu được biết một cách tĩnhCác lớp con nên ghi đè phương thức lớp 649 để trả về các tenxơ có giá trị không đổi khi các giá trị không đổi được cung cấpArgs____1158 146 hoặc danh sách python/tuple. Hình dạng mong muốn của cuộc gọi đến 643. Trả về 897 của tên tham số cho 146. Raises 669if 158 là một 146 và không được xác định đầy đủjd = tfd.JointDistributionSequential([ tfd.Normal(0., tf.ones([3])), lambda x: tfd.Independent(tfd.Normal(x[..., tf.newaxis], tf.ones([3, 2])), reinterpreted_batch_ndims=1) ], batch_ndims=None) 646 84Trả về tên đối số của hàm tạo ánh xạ chính tả cho chú thích thuộc tính Lệnh này phải bao gồm một mục nhập cho mỗi đối số hàm tạo có giá trị 138 của bản phân phốiCác lớp con phân phối không bắt buộc phải triển khai 674, vì vậy phương pháp này có thể tăng 675. Cung cấp triển khai 674 cho phép một số tính năng nâng cao, bao gồm
Trong tương lai, chú thích thuộc tính tham số có thể kích hoạt chức năng bổ sung; Args____1120Số float tùy chọn 120 để giả sử cho các tham số có giá trị liên tục. Một số bộ lọc ràng buộc yêu cầu kiến thức trước về dtype vì các hằng số nhất định (e. g. , 683) phải được khởi tạo với cùng loại với các giá trị được chuyển đổi. 684Tùy chọn 604 138 số lớp cần giả định khi suy ra hình dạng của các tham số cho các phân phối giống như phân loại. Nếu không thì bỏ qua. Trả về____9646A 688tfp. con trăn. nội bộ. tham số_thuộc tính. Các phiên bản ParameterProperties_______9689ParameterProperties`. Tăng_______9675nếu lớp phân phối không thực hiện 674jd = tfd.JointDistributionSequential([ tfd.Normal(0., tf.ones([3])), lambda x: tfd.Normal(x[..., tf.newaxis], tf.ones([3, 2])) ], batch_ndims=0) 887 85Hàm mật độ/khối lượng xác suất Các phương pháp đo lường của 2 ( 117, 887, v.v. ) có thể được gọi bằng cách chuyển một cấu trúc tenxơ duy nhất hoặc bằng cách sử dụng các đối số được đặt tên cho từng phần của trạng thái phân phối chung. Ví dụ, 86Tên phân phối thành phần của 2 được giải quyết thông qua 889, được triển khai bởi mỗi phân lớp 2 (xem tài liệu của phân lớp để biết chi tiết). Nói chung, đối với các thành phần có tên được cung cấp--- rõ ràng là đối số 624 cho phân phối hoặc dưới dạng khóa trong JointDistribution có giá trị chính tả hoặc ngầm định, e. g. , theo tên đối số của hàm tạo phân phối 5---tên được cung cấp sẽ được sử dụng. Nếu không, thành phần sẽ nhận được một tên giả; Ghi chú. không phải tất cả các lớp con của 2 đều hỗ trợ tất cả các kiểu gọi; . e. , là một 895 hoặc 896 chứ không phải là một 897 đơn giản). Lưu ý. cần thận trọng để giải quyết bất kỳ sự mơ hồ tiềm ẩn nào---điều này thường có thể thực hiện được bằng cách kiểm tra cấu trúc của đối số được cung cấp và "căn chỉnh" nó theo cấu trúc đầu ra phân phối chung (được xác định bởi 898). Ví dụ: ____387Lưu ý rằng trong lần gọi đầu tiên, 899 được hiểu là danh sách một số vô hướng trong khi ở lần gọi thứ hai, đầu vào là một số vô hướng. Do đó, cả hai đầu vào dẫn đến đầu ra vô hướng giống hệt nhau. Nếu chúng ta muốn truyền một vectơ rõ ràng cho thành phần 600---tạo ra một loạt các 887 có hình dạng vectơ---thay vào đó, chúng ta có thể viết 710Args 743 Lập luận quan điểm. một cấu trúc 665 hoặc các giá trị thành phần (xem ở trên). ________ 3671 Đối số từ khóa. một cấu trúc 665 hoặc các giá trị thành phần (xem ở trên). Cũng có thể bao gồm 624, chỉ định tên chuỗi Python cho ops được tạo bởi phương pháp này. Trả về 887a 138 của hình dạng 674 với các giá trị của loại 675jd = tfd.JointDistributionSequential([ tfd.Normal(0., tf.ones([3])), lambda x: tfd.Independent(tfd.Normal(x[..., tf.newaxis], tf.ones([3, 2])), reinterpreted_batch_ndims=1) ], batch_ndims=None) 720 88Hàm mật độ/khối lượng xác suất Args 665 6 của 138 theo thứ tự 616 mà chúng tôi tính toán 720 và để tham số hóa các bản phân phối ("hạ lưu") khác. 624name được thêm vào trước ops được tạo bởi chức năng này. Giá trị mặc định. 727. Returns 720a 142 của 138 đại diện cho 887 cho mỗi 616 được đánh giá tại mỗi 665 tương ứngjd = tfd.JointDistributionSequential([ tfd.Normal(0., tf.ones([3])), lambda x: tfd.Independent(tfd.Normal(x[..., tf.newaxis], tf.ones([3, 2])), reinterpreted_batch_ndims=1) ], batch_ndims=None) 734 89hàm lượng tử. Aka 'cdf nghịch đảo' hoặc 'hàm điểm phần trăm' Cho biến ngẫu nhiên 663 và 736, 734 là 60Args______3665 666 hoặc 667 138. 624Python 670 được đặt trước tên của các hoạt động được tạo bởi hàm này. 671Các đối số được đặt tên được chuyển tiếp đến triển khai lớp con. Trả về 734a 138 của hình dạng 674 với các giá trị của loại 675jd = tfd.JointDistributionSequential([ tfd.Normal(0., tf.ones([3])), lambda x: tfd.Independent(tfd.Normal(x[..., tf.newaxis], tf.ones([3, 2])), reinterpreted_batch_ndims=1) ], batch_ndims=None) 749 61Tạo một 142 của 142 phụ thuộcChức năng này là thử nghiệm. Điều đó nói rằng, chúng tôi khuyến khích việc sử dụng nó và yêu cầu bạn báo cáo vấn đề cho 752Args____9753 6 của 670 hoặc 608 tên tương ứng với từng phần tử của 195. (______3608s đang mở rộng thành 670 thích hợp. ) 760 670 được sử dụng khi không có nhà sản xuất nào phụ thuộc vào một yếu tố 195 cụ thể. Trả về_______9763____1142 của các cặp 765 đại diện cho tên của từng phân phối (nhà sản xuất) và tên của các phụ thuộc của nóThí dụ 62jd = tfd.JointDistributionSequential([ tfd.Normal(0., tf.ones([3])), lambda x: tfd.Normal(x[..., tf.newaxis], tf.ones([3, 2])) ], batch_ndims=0) 116 63Tạo các mẫu có hình dạng được chỉ định Lưu ý rằng một cuộc gọi đến 643 không có đối số sẽ tạo ra một mẫu duy nhấtTài liệu bổ sung từ 2
jd = tfd.JointDistributionSequential([
tfd.Normal(0., tf.ones([3])),
lambda x: tfd.Independent(tfd.Normal(x[..., tf.newaxis], tf.ones([3, 2])),
reinterpreted_batch_ndims=1)
],
batch_ndims=None)
|