Question

所以我正在阅读pytorch文档，试图学习和理解某些东西（因为我是机器学习的新手），我发现了torch.bernoulli()并且我理解（我想念它了）它近似于张量值介于1到0到1还是0取决于该值（例如经典学校小于0.5 = 0，大于或等于0.5 = 1）

经过我自己的实验，可以正常工作

 >>>y = torch.Tensor([0.500])
 >>>x
 >>>  0.5000
     [torch.FloatTensor of size 1]    
 >>> torch.bernoulli(x)
 >>> 1
     [torch.FloatTensor of size 1]

但是，当我查看文档时有些奇怪

>>> a = torch.Tensor(3, 3).uniform_(0, 1) # generate a uniform random matrix with range [0, 1]
>>> a

 0.7544  0.8140  0.9842
**0.5282** 0.0595  0.6445
 0.1925  0.9553  0.9732
[torch.FloatTensor of size 3x3]

>>> torch.bernoulli(a)

 1  1  1
 **0**  0  1
 0  1  1
[torch.FloatTensor of size 3x3]

在示例中， 0.5282 近似为0，那是怎么发生的？或这是文档中的错误，因为我尝试了它，并且 0.5282 的估计值接近于1。

Answer 1

好吧，伯努利是一个概率分布。具体来说，torch.distributions.Bernoulli()从分布中采样并返回一个二进制值（即0或1）。在这里，它以概率 p 返回1，并以概率 1-p 返回0 strong>。

下面的示例将使理解更加清楚：

In [141]: m = torch.distributions.Bernoulli(torch.tensor([0.63])) In [142]: m.sample() # 63% chance 1; 37% chance 0 Out[142]: tensor([ 0.]) In [143]: m.sample() # 63% chance 1; 37% chance 0 Out[143]: tensor([ 1.]) In [144]: m.sample() # 63% chance 1; 37% chance 0 Out[144]: tensor([ 0.]) In [145]: m.sample() # 63% chance 1; 37% chance 0 Out[145]: tensor([ 0.]) In [146]: m.sample() # 63% chance 1; 37% chance 0 Out[146]: tensor([ 1.]) In [147]: m.sample() # 63% chance 1; 37% chance 0 Out[147]: tensor([ 1.]) In [148]: m.sample() # 63% chance 1; 37% chance 0 Out[148]: tensor([ 1.]) In [149]: m.sample() # 63% chance 1; 37% chance 0 Out[149]: tensor([ 1.]) In [150]: m.sample() # 63% chance 1; 37% chance 0 Out[150]: tensor([ 1.]) In [151]: m.sample() # 63% chance 1; 37% chance 0 Out[151]: tensor([ 1.])

因此，我们对其进行了10次采样，其中有7次1被采样，大约接近63％。我们需要对此有限的次数进行采样，以分别获得0和1的37和63的准确百分比；这是因为Law of Large Numbers。

从文档中了解PyTorch Bernoulli的发布情况

1 个答案: