torch.distributions.Categorical

torch.distributions.categorical是PyTorch中的一个概率分布模块，用于生成分类分布。

该模块包含了一个Categorical类，可以用来创建分类分布对象。分类分布用于生成从一组离散概率分布中选择的随机样本。Categorical类的构造函数需要一个1-D张量probs，其中每个元素都是该类别被选中的概率。可以使用这个类的sample()方法生成从这个分布中采样的值，或者使用log_prob()方法计算一个或多个给定值的对数概率。

例如，以下代码创建了一个包含3个类别的分类分布，其中第一个类别的概率为0.5，第二个和第三个类别的概率分别为0.25：

import torch

probs = torch.tensor([0.5, 0.25, 0.25])
categorical_dist = torch.distributions.categorical.Categorical(probs=probs)

可以使用sample()方法从分类分布中生成一个样本：

sample = categorical_dist.sample()

可以使用log_prob()方法计算样本的对数概率：

log_prob = categorical_dist.log_prob(sample)

这里的样本是一个从分类分布中随机生成的整数，它的值介于0和2之间，对应于分布中的三个类别。

相关问题

torch.distributions.categorical

torch.distributions.categorical是PyTorch中的一个概率分布模块，用于生成分类分布。

该模块包含了一个Categorical类，可以用来创建分类分布对象。分类分布用于生成从一组离散概率分布中选择的随机样本。Categorical类的构造函数需要一个1-D张量probs，其中每个元素都是该类别被选中的概率。可以使用这个类的sample()方法生成从这个分布中采样的值，或者使用log_prob()方法计算一个或多个给定值的对数概率。

例如，以下代码创建了一个包含3个类别的分类分布，其中第一个类别的概率为0.5，第二个和第三个类别的概率分别为0.25：

import torch

probs = torch.tensor([0.5, 0.25, 0.25])
categorical_dist = torch.distributions.categorical.Categorical(probs=probs)

可以使用sample()方法从分类分布中生成一个样本：

sample = categorical_dist.sample()

可以使用log_prob()方法计算样本的对数概率：

log_prob = categorical_dist.log_prob(sample)

这里的样本是一个从分类分布中随机生成的整数，它的值介于0和2之间，对应于分布中的三个类别。

class torch.distributions.Categorical(probs)

`torch.distributions.Categorical(probs)`是PyTorch中的一个概率分布类，用于表示具有离散取值的随机变量。它的参数`probs`是一个概率张量，表示每个离散取值的概率。

该类可以用于模拟离散随机变量的采样、计算随机变量的概率密度函数（probability density function, PDF）、计算随机变量的对数概率密度函数（log probability density function, log PDF）等操作。

例如，可以使用`Categorical`类来模拟抛硬币的结果，其中正面出现的概率为0.6，反面出现的概率为0.4：

import torch
from torch.distributions import Categorical

probs = torch.tensor([0.6, 0.4])
dist = Categorical(probs)

# 采样一个随机变量
sample = dist.sample()
print(sample)  # 输出0或1，表示正面或反面

# 计算随机变量的概率密度函数
pdf = dist.log_prob(sample)
print(pdf)  # 输出一个张量，表示正面或反面的对数概率

以上代码中，`sample`表示一次抛硬币的结果，它的值为0或1，对应正面或反面。`pdf`表示抛硬币结果对应的对数概率。