Pytorch~多组多元正态分布

whaosoft143

已于 2024-01-21 22:56:32 修改

阅读量1.7k

点赞数 10

CC 4.0 BY-SA版权

分类专栏：人工智能文章标签：人工智能

于 2024-01-21 22:53:32 首次发布

本文链接：https://blog.csdn.net/qq_29788741/article/details/135737202

在 pytorch 中，如何快速从一个均值和协方差矩阵已知的多元正态分布中采样多个向量？

问题背景

这涉及到正态总体的无偏估计，不记得的同学请出门左拐重修概率论（狗头）

问题分析

样本均值和样本离差阵都可以通过 torch 的内置方法，比如按列求和快速获得，那么问题就划归为，在 pytorch 中，如何快速从一个均值和协方差矩阵已知的多元正态分布中采样多个向量？

torch 的内置多元正态分布模块 distributions

其实 pytorch 本身就提供了生成多元正态分布的模块。假设我们需要采样的正态分布为：

mu = torch.FloatTensor([1, 2, 0])
sigma = torch.FloatTensor([
    [2, 0, 0],
    [0, 5, 0],
    [0, 0,

最低0.47元/天解锁文章

200万优质内容无限畅学

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

whaosoft143

关注关注

10
点赞
踩
12

收藏

觉得还不错? 一键收藏
1
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

专栏目录

【pytorch】正态分布（高斯分布）、Q函数、误差函数、互补误差函数

学渣的博客

03-31

8003

则这个随机变量就称为正态随机变量，正态随机变量服从的分布就称为正态分布，记作。这个函数可以看作是高斯分布函数的不定积分，如何相互转换见第5节的图6.2.时，称为标准正态分布。一般正态分布的分布函数。标准正态分布的分布函数。如下图是一般正态分布。如下图是标准整体分布。

用PyTorch实现Logistic回归

m0_73557412的博客

03-24

681

上述代码的第27~28行将生成的样本用plt.scatter 绘制出来，绘制的结果如图5.3所示,可以很明显地看出多元高斯分布生成的样本聚成了两个簇，并且簇的中心分别处于不同的位置（多元高斯分布的均值向量决定了其位置）。为什么说逻辑回归是线性的，是因为线性回归的wx+b与0的大小关系正好对应f(wx+b)中与0.5的大小关系，其实也可以用线性回归的大于或小于0来表示类别，但用sigmoid映射到概率区间更好体现置信度。用y去拟合wx+b为线性回归，用对数几率去拟合wx+b即为对数几率回归。

1 条评论您还未登录，请先登录后发表或查看评论

Pytorch probability distributions

rosefun96的博客

01-02

1046

1.OneHotCategorical torch.distributions.one_hot_categorical.OneHotCategorical(probs=None, logits=None, validate_args=None) 根据给定的概率probs, 创建一个 one-hot 的类别分布. m = OneHotCategorical(torch.tensor([ 0.1, 0...

Pytorch分布采样：torch.distributions.Normal(mean, std).sample() 和 torch.multinomial()

YHKKun的博客

06-02

2107

如果动作空间是离散的（例如，选择向左、向右、跳跃或蹲下），可以使用。在强化学习中，如果动作空间是连续的（例如，调整机器人的关节角度），可以选择。来根据每个动作的概率采样一个动作。

python 累积正态分布函数_机器学习系列（二）多元正态分布

weixin_42501892的博客

01-01

3931

一元正态分布回顾如果随机变量服从均值为方差为的正态分布 (Univariate normal distribution)，，则其概率密度函数为：整个分布可以仅用均值及方差来刻画如果变量之间不相关，则它们相互独立经典统计检验通常基于正态分布假设 正态分布可以模拟大量自然现象多元正态分布多元正态分布密度函数类比于一元情况，若维随机变量服从均值向量为和协方差矩阵为 ...

使用pytorch adam算法拟合 正态分布曲线

weixin_34212189的博客

04-23

1460

我们有个交易量的数据从分布上看符合正态分布 为了合理设置机器的容量需要对该数据进行测算找到分布的具体参数用python写出来如下：def normfun(x,mu,sigma):return np.exp(-((x - mu)*2)/(2sigma*2)) / (sigma np.sqrt(2*np.pi)) 需要拟合的数据如下格式 Value为交易量 Timestamp为时间戳我们取一...

pytorch 多元正态分布

12-25

多元正态分布是指具有多个随机变量的正态分布。在PyTorch中，可以使用torch.distributions.MultivariateNormal来创建多元正态分布对象。该对象可以用于生成服从多元正态分布的随机样本，计算概率密度函数（PDF）和...

PyTorch实现Logistic回归对多元高斯分布进行分类实战（附源码）

showswoller的博客

11-09

947

PyTorch实现Logistic回归对多元高斯分布进行分类（附源码）

Python生成多维正态分布数据

weixin_40727266的博客

03-07

933

指定生成的正态分布矩阵的维度eg：若size=(1, 1, 2)，则输出的矩阵的shape即形状为 1X1X2XN（N为mean的长度）：指定生成矩阵的维度，若size=(1, 1, 2)，则输出的矩阵的 shape 即形状为 1X1X2XN（N为mean的长度）；当使用warn作为传入的参数时，如果cov不是半正定的程序会输出警告但仍旧会得到结果；当使用raise作为传入的参数时，如果cov不是半正定的程序会报错且不会计算出结果；：协方差矩阵，注意：协方差矩阵必须是对称的且需为半正定矩阵；

使用Python实现正态分布、正态分布采样

01-02

多元正态分布(多元高斯分布) 直接从多元正态分布讲起。多元正态分布公式如下：这就是多元正态分布的定义，均值好理解，就是高斯分布的概率分布值最大的位置，进行采样时也就是采样的中心点。而协方差矩阵在多维上形式较多。协方差矩阵一般来说，协方差矩阵有三种形式，分别称为球形、对角和全协方差。以二元为例：为了方便展示不同协方差矩阵的效果，我们以二维为例。(书上截的图，凑活着看吧，是在不想画图了) 其实从这个图上可以很好的看出，协方差矩阵对正态分布的影响，也就很好明白了这三个协方差矩阵是哪里来的名字了。可以看出，球形协方差矩阵，会产生圆形(二维)或者球形(三维)的等高线，对角协方差矩阵和全协方

PyTorch 常用采样方法

YHKKun的博客

06-06

857

伯努利分布是一个离散概率分布，表示一个随机试验只有两种可能的结果（通常称为“成功”和“失败”），并且每种结果发生的概率是固定的。：多项式分布是二项分布的推广，用于描述在n次独立重复的随机试验中成功次数的概率分布，其中每次试验有多种可能的结果。：当数据呈现对称分布且大多数值集中在均值附近时，例如在测量误差、考试成绩或身高分布等场景中。：当所有可能的结果等可能发生时，例如在模拟实验中随机选择一个数或在进行蒙特卡洛模拟时。：用于模拟只有两种可能结果的随机事件，如抛硬币、疾病的存在与否等。

torch.normal的用法和实例说明 normal函数的用法? 正态分布？

最新发布

小青龙，创造，变强

09-12

1069

正态分布（Normal Distribution）是一种常见的概率分布，用两个参数来描述：均值 μ（mean）：表示数据的中心位置。标准差 σ（standard deviation）：表示数据的散布或离均值的偏离程度。当标准差较小时，数据更加集中在均值附近。当标准差较大时，数据更加分散。在 torch.normal() 中，你可以指定均值和标准差来生成符合这种分布的数据。你可以为每个元素指定不同的均值和标准差。 torch.normal的用法和实例说明 normal函数的用法? 正态分布？

python 二元正态分布_多元正态分布的检验

weixin_35875323的博客

01-15

2994

转自个人微信公众号【Memo_Cleon】的统计学习笔记：多元正态分布的检验。多元正态分布也称多元高斯分布。如同正态分布在单变量分析中的地位类似，在对多个因变量（多元）同时进行分析时，常常假设因变量组合成的向量服从一个多元正态分布。比如重复测量数据将重复的测量结果（比如各个时间点上的测量结果）视为不同的因变量，可以采用多元方差分析，此时就要求各个因变量的组合向量服从多元正态分布。对多元正态分布的判...

使用Python为图片添加空间相关噪声（相干噪声）

weixin_49030835的博客

03-06

2046

当我们进行图像处理、计算机视觉或深度学习任务时，通常需要对图像数据添加一些噪声。通过添加噪声，我们可以使模型更加鲁棒，防止过拟合，并提高泛化能力。而空间相关噪声是一种特殊类型的噪声，它在像素之间存在一定的相关性，即相邻像素之间的噪声具有相关性。这种噪声通常被称为“空间相关噪声”或“相干噪声”。空间相关噪声可以模拟真实世界中的许多噪声类型，如图像传感器噪声、光学系统噪声、背景噪声等。此外，空间相关噪声还可以模拟其他信号处理任务中的噪声，如声音信号处理和信号传输等。

重要性采样及KL散度分析与不同实现方法

OliverXuBlog的博客

09-16

940

本文原始地址：https://blog.oliverxu.cn 重要性采样及KL散度分析与不同实现方法最近在看《Guided policy search》这篇文章，其中，用到了Importance Sampling，KL divergence等技术，虽然这些之前都用过，但是没有系统的整理过一些文档出来，《Guided policy search》这篇文章是13年的，但是TRPO和PPO等一些算法用到的技术，在这篇文章里基本都有用到了。初步感觉这篇文章还是比较经典的。这篇文章里举的例子都是以强化学习

5.3 用PyTorch实现Logistic回归

Ting_28的博客

03-20

1822

Logistic回归常用于解决二分类问题。为了便于描述，我们分别从两个多元高斯分布 N₁（μ₁，Σ₁ ）、N₂（μ₂，Σ₂）中生成数据 x₁ 和 x₂，这两个多元高斯分布分别表示两个类别，分别设置其标签为 y₁ 和 y₂。PyTorch 的 torch.distributions 提供了 MultivariateNormal 构建多元高斯分布。下面代码设置两组不同的均值向量和协方差矩阵，μ₁（mul）和 μ₂（mul）是二维均值向量，Σ₁（sigmal）和Σ₂（sigma2）是2*2的协方差矩阵。

gamma分布 pytorch_Probability distributions - torch.distributions

weixin_34026997的博客

01-14

1391

概率分布 - torch.distributionsdistributions 包含可参数化的概率分布和采样函数. 这允许构造用于优化的随机计算图和随机梯度估计器. 这个包一般遵循 TensorFlow Distributions 包的设计.通常, 不可能直接通过随机样本反向传播. 但是, 有两种主要方法可创建可以反向传播的代理函数. 即得分函数估计器/似然比估计器/REINFORCE和pathw...

Pytorch: torch.distributions库

qq_38789531的博客

03-18

5468

pytorch 的 torch.distributions 中可以定义正态分布： import torch from torch.distributions import Normal mean=torch.Tensor([0,2]) normal=Normal(mean,1) sample()就是直接在定义的正太分布（均值为mean，标准差std是１）上采样： result = normal...