torch.distribution

torch.distributions是PyTorch中用于概率分布建模的模块。它提供了各种常见的概率分布（如正态分布、均匀分布、二项分布等）的实现，以及计算分布的概率密度函数、采样等功能。其中，torch.distributions.exp_family.ExponentialFamily是一个用于表示指数族分布的基类。指数族分布是一类重要的概率分布，包括了众多常见的分布，比如高斯分布、泊松分布、伽马分布等。

另外，torch.distributions.chi2.Chi2是一个用于表示卡方分布的类。卡方分布是统计学中经常使用的分布之一，它在假设检验和拟合优度检验等场景中有广泛应用。

在创建分类分布时，可以使用torch.distributions.Categorical类。在这个类的构造函数中，传入一个包含概率值的张量作为输入，可以指定不同类别的概率。然后可以使用enumerate_support()方法来获取类别的索引，使用probs属性来获取归一化后的概率值。

相关问题

torch.randn() 和torch.rand()的区别

`torch.rand()` 和 `torch.randn()` 都是PyTorch库中用于创建随机张量的函数，但它们有以下关键区别[^1][^2]:

1. **分布**:
- `torch.rand()` 生成的是均匀分布（Uniform Distribution）的随机数，范围通常在 `[0, 1)` 之间（包括0，不包括1）。每个元素都是独立的，具有相同的概率分布。

2. **标准正态分布**:
- 而 `torch.randn()` 则生成的是标准正态分布（Standard Normal Distribution）的随机数，其平均值为0，标准差为1。这意味着这些数值通常围绕0对称分布，非常适合模拟某些自然现象，如神经网络中的权重初始化。

示例代码演示：

# torch.rand() 示例
y_rand = torch.rand(5, 3)
print("Random values from uniform distribution:")
print(y_rand)

# torch.randn() 示例
y.randn = torch.randn(5, 3)
print("\nRandom values from standard normal distribution:")
print(y.randn)

下面pytorch代码转化为paddlepaddle2.2.2代码： import torch import torch.distributions as tdist def random_noise_levels(): """Generates random noise levels from a log-log linear distribution.""" log_min_shot_noise = np.log(0.0001) log_max_shot_noise = np.log(0.012) log_shot_noise = torch.FloatTensor(1).uniform_(log_min_shot_noise, log_max_shot_noise) shot_noise = torch.exp(log_shot_noise) line = lambda x: 2.18 * x + 1.20 n = tdist.Normal(loc=torch.tensor([0.0]), scale=torch.tensor([0.26])) log_read_noise = line(log_shot_noise) + n.sample() read_noise = torch.exp(log_read_noise) return shot_noise, read_noise def add_noise(image, shot_noise=0.01, read_noise=0.0005): """Adds random shot (proportional to image) and read (independent) noise.""" image = image.permute(1, 2, 0) # Permute the image tensor to HxWxC format from CxHxW format variance = image * shot_noise + read_noise n = tdist.Normal(loc=torch.zeros_like(variance), scale=torch.sqrt(variance)) noise = n.sample() out = image + noise out = out.permute(2, 0, 1) # Re-Permute the tensor back to CxHxW format return out

以下是将该代码转化为PaddlePaddle2.2.2的代码：

import paddle
import paddle.distribution as pdist
import numpy as np

def random_noise_levels():
    """Generates random noise levels from a log-log linear distribution."""
    log_min_shot_noise = np.log(0.0001)
    log_max_shot_noise = np.log(0.012)
    log_shot_noise = paddle.uniform(shape=[1], min=log_min_shot_noise, max=log_max_shot_noise)
    shot_noise = paddle.exp(log_shot_noise)
    line = lambda x: 2.18 * x + 1.20
    n = pdist.Normal(loc=paddle.zeros([1]), scale=paddle.ones([1]) * 0.26)
    log_read_noise = line(log_shot_noise) + n.sample()
    read_noise = paddle.exp(log_read_noise)
    return shot_noise, read_noise

def add_noise(image, shot_noise=0.01, read_noise=0.0005):
    """Adds random shot (proportional to image) and read (independent) noise."""
    image = image.permute([1, 2, 0]) # Permute the image tensor to HxWxC format from CxHxW format
    variance = image * shot_noise + read_noise
    n = pdist.Normal(loc=paddle.zeros_like(variance), scale=paddle.sqrt(variance))
    noise = n.sample()
    out = image + noise
    out = out.permute([2, 0, 1]) # Re-Permute the tensor back to CxHxW format
    return out

请注意，PaddlePaddle的分布API（`paddle.distribution`）与PyTorch的分布API（`torch.distributions`）略有不同，需要相应地更改代码。此外，PaddlePaddle的张量API（如`paddle.exp`）与PyTorch的张量API（如`torch.exp`）也略有不同，需要相应地更改代码。