从文档中了解 PyTorch 伯努利分布

Question

所以我正在阅读 pytorch 文档试图学习和理解一些东西（因为我是机器学习的新手），我找到了 torch.bernoulli() 并且我理解（我想念它）它近似具有 1 和 0 到 1 或 0 之间的值的张量取决于值（如经典学校小于 0.5 = 0，大于或等于 0.5 = 1）

经过我自己的一些实验，是的，它按预期工作

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

但是看文档的时候有点奇怪

>>> 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？或者这是文档中的一个错误，因为我试过了并且 0.5282 得到了预期的近似值 1.

Answer 1

嗯，伯努利是一个概率分布。具体来说，torch.distributions.Bernoulli() 样本来自分布，return 是一个二进制值（即 0 或 1）。这里，它 returns 1 的概率为 p 和 return 0 的概率1-p.

下面的例子会让理解更清楚：

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.])

所以，我们采样了 10 次，其中我们得到了 1s 7 次，大约接近 63%。我们需要对这个无限大的次数进行采样，以获得 0s 和 1s 分别为 37 和 63 的确切百分比；这是因为 Law of Large Numbers.

从文档中了解 PyTorch 伯努利分布

Understanding PyTorch Bernoulli distribution from the documention

python

pytorch

torch

probability-theory

probability-distribution