本文僅用于學(xué)術(shù)分享,著作權(quán)歸作者所有。如有侵權(quán),請聯(lián)系后臺作刪文處理。在逛Github時發(fā)現(xiàn)了一個不錯的總結(jié),對深度學(xué)習(xí)的概率分布進行了總結(jié)。https://github.com/graykode/distribution-is-all-you-needgithub.com
https://github.com/graykode/distribution-is-all-you-need/blob/master/uniform.py均勻分布在 [a,b] 上具有相同的概率值,是簡單概率分布。https://github.com/graykode/distribution-is-all-you-need/blob/master/bernoulli.py先驗概率 p(x)不考慮伯努利分布。因此,如果我們對最大似然進行優(yōu)化,那么我們很容易被過度擬合。利用二元交叉熵對二項分類進行分類。它的形式與伯努利分布的負(fù)對數(shù)相同。https://github.com/graykode/distribution-is-all-you-need/blob/master/binomial.py參數(shù)為 n 和 p 的二項分布是一系列 n 個獨立實驗中成功次數(shù)的離散概率分布。二項式分布是指通過指定要提前挑選的數(shù)量而考慮先驗概率的分布。https://github.com/graykode/distribution-is-all-you-need/blob/master/categorical.py多伯努利稱為分類分布。交叉熵和采取負(fù)對數(shù)的多伯努利分布具有相同的形式。https://github.com/graykode/distribution-is-all-you-need/blob/master/multinomial.py多項式分布與分類分布的關(guān)系與伯努爾分布與二項分布的關(guān)系相同。https://github.com/graykode/distribution-is-all-you-need/blob/master/beta.py利用共軛,利用已知的先驗分布可以更容易地得到后驗分布。當(dāng)β分布滿足特殊情況(α=1,β=1)時,均勻分布是相同的。7. Dirichlet 分布(連續(xù))代碼:https://github.com/graykode/distribution-is-all-you-need/blob/master/dirichlet.py
https://github.com/graykode/distribution-is-all-you-need/blob/master/gamma.py如果 gamma(a,1)/gamma(a,1)+gamma(b,1)與 beta(a,b)相同,則 gamma 分布為β分布。https://github.com/graykode/distribution-is-all-you-need/blob/master/exponential.py指數(shù)分布是 α 為 1 時 γ 分布的特例。https://github.com/graykode/distribution-is-all-you-need/blob/master/gaussian.pyhttps://github.com/graykode/distribution-is-all-you-need/blob/master/normal.py正態(tài)分布為標(biāo)準(zhǔn)高斯分布,平均值為0,標(biāo)準(zhǔn)差為1。https://github.com/graykode/distribution-is-all-you-need/blob/master/chi-squared.pyk 自由度的卡方分布是 k 個獨立標(biāo)準(zhǔn)正態(tài)隨機變量的平方和的分布。https://github.com/graykode/distribution-is-all-you-need/blob/master/student-t.pyt分布是對稱的鐘形分布,與正態(tài)分布類似,但尾部較重,這意味著它更容易產(chǎn)生遠低于平均值的值。