torch.distributions.Normal

torch.distributions.Normal 是 PyTorch 中的一个概率分布类，用于表示正态分布。它可以用来生成符合正态分布的随机数，也可以计算正态分布的概率密度函数值、累积分布函数值等等。

在 PyTorch 中，可以通过创建一个 Normal 对象来表示一个正态分布。创建 Normal 对象时需要指定均值和标准差，例如：

import torch
from torch.distributions.normal import Normal

mu = torch.tensor([0.0])
sigma = torch.tensor([1.0])
normal = Normal(mu, sigma)

这个例子中，我们定义了一个均值为 0，标准差为 1 的正态分布。我们可以使用 `sample()` 方法来生成一个符合该分布的随机数：

sample = normal.sample()

我们也可以计算该分布的概率密度函数值：

pdf = normal.log_prob(sample)

这里的 `pdf` 是一个张量，其形状与 `sample` 相同，每个元素表示该随机数在该正态分布下的概率密度函数值。

相关问题

torch.distributions.normal.normal

torch.distributions.normal.normal 是 PyTorch 中的一个概率分布模块，用于定义正态分布的概率密度函数以及采样函数。它可以用于构建深度学习模型中的概率模型和概率生成式模型等。

torch.distributions.normal.Normal返回值

torch.distributions.normal.Normal返回一个正态分布（也称为高斯分布）的概率分布对象，其参数是均值和标准差。具体来说，它返回一个具有以下方法的对象：

- sample(sample_shape=torch.Size()): 从正态分布中抽取样本，返回一个张量，形状为sample_shape。
- log_prob(value): 计算给定值的对数概率密度。
- cdf(value): 计算给定值的累积分布函数。
- icdf(value): 计算给定概率的反函数。

例如，通过以下代码可以创建一个均值为0、标准差为1的正态分布对象，并从中抽取一个形状为(2,3)的样本：

import torch
import torch.distributions as dist

normal = dist.Normal(0, 1)
sample = normal.sample((2,3))
print(sample)

输出：

tensor([[-1.2025,  0.5846, -1.3000],
        [ 0.8558, -1.6008,  1.2475]])