从截断的高斯分布中生成 numpy 向量化值

numpy vectorise value generation from a truncated gaussian distribution

我有一个函数,它从 t运行cated 正态分布生成一个值,while 循环确保任何位于 t运行cation 之外的生成值都被丢弃和替换与另一代直到它位于范围内。

def gen_truncated(minimum, maximum, ave, sigma):
    # min=0.9, max=1, 
    x = 0.
    while x < minimum or x > maximum:
        x = np.random.normal(0,1)*sigma+ave

    return x

如何向量化此函数,使 x 现在是许多 x 值的数组,生成方式总是有一个 while 循环确保数组元素只要达到x < minimumx > maximum的条件就重新生成?是否有将 x 的每个元素与数字进行比较的向量化方法,即 minimummaximum?

编辑: 如果我有更多的约束需要满足怎么办?最终,我希望对通过多个约束生成的 4x4 矩阵的生成进行矢量化,gen_truncated() 中的约束只是众多约束之一。我有一个 gen_sigma(),它首先生成 3 个值 lambda1, lambda2, lambda3,现在 lambda3 再次需要满足几个条件 w.r.t lambda1lambda2 的值否则他们会被重绘。一旦它们正确,所有三个值都会被输入 get_tau() 以生成 3 个值。同样,这些 tau 值需要满足更多约束条件,否则它们将被丢弃并重新生成,直到它们正确为止。最终,它们形成一个名为 sigma_gen 的 4x4 矩阵,通过 gen_channel 左右乘以 create_rotation() 以创建单个 4x4 矩阵 channel.

import numpy as np
from numpy.linalg import norm

def gen_sigma(minimum, maximum, ave, sigma):
    lambda1 = gen_truncated(minimum, maximum, ave, sigma)
    lambda2 = gen_truncated(minimum, maximum, ave, sigma)
    lambda3 = gen_truncated(minimum, maximum, ave, sigma)

    while 1+lambda3 < abs(lambda1+lambda2) or 1-lambda3 < abs(lambda2-lambda1):
        lambda3 = gen_truncated(minimum, maximum, ave, sigma)

    tau = get_tau(lambda1, lambda2, lambda3)
    lambdas = [lambda1, lambda2, lambda3]
    while (norm(tau)**2 >
           1-sum([x**2 for x in [lambda1, lambda2, lambda3]]) +
           2*lambda1*lambda2*lambda3) or (z_eta(tau, lambdas) < 0):
        tau = get_tau(lambda1, lambda2, lambda3)

    sigma_gen = np.array([[     1,       0, 0, 0],
                          [tau[0], lambda1, 0, 0],
                          [tau[1], 0, lambda2, 0],
                          [tau[2], 0, 0, lambda3]])

    return sigma_gen

def get_tau(einval1, einval2, einval3):
    max_tau1 = 1 - abs(einval1)
    max_tau2 = 1 - abs(einval2)
    max_tau3 = 1 - abs(einval3)
    tau1 = max_tau1*(2*np.random.uniform(0,1)-1)
    tau2 = max_tau2*(2*np.random.uniform(0,1)-1)
    tau3 = max_tau3*(2*np.random.uniform(0,1)-1)

    return [tau1, tau2, tau3]

def z_eta(t: np.ndarray, l: np.ndarray):
    condition = (norm(t)**4 - 2*norm(t)**2 -
                 2*sum([(l[i]**2)*(2*(t[i]**2-norm(t)**2)) for i in range(3)])+
                 q(l))
    return condition

def q(e: np.ndarray):
    # e are the eigenvalues
    return (1+e[0]+e[1]+e[2])*(1+e[0]-e[1]-e[2])*(1-e[0]+e[1]-e[2])*(1-e[0]-e[1]+e[2])

def create_rotation(angles: np.ndarray) -> np.ndarray:
    "random rotation in PL form"
    # input np.random.normal(0,1,3)*0.06
    rotation = np.eye(4, dtype=complex)
    left = np.array([[ np.cos(angles[0]), np.sin(angles[0]), 0],
                     [-np.sin(angles[0]), np.cos(angles[0]), 0],
                     [                 0,                 0, 1]])
    mid = np.array([[1,                 0,                 0],
                    [0, np.cos(angles[1]), np.sin(angles[1])],
                    [0, -np.sin(angles[1]), np.cos(angles[1])]])
    right = np.array([[ np.cos(angles[2]), np.sin(angles[2]), 0],
                      [-np.sin(angles[2]), np.cos(angles[2]), 0],
                      [                 0,                 0, 1]])
    rotation[1:4,1:4] = left@mid@right

    return rotation

def gen_channel(r1, r2, ave, sigma):
    rand1 = np.random.normal(0,1,3)
    rand2 = np.random.normal(0,1,3)
    channel = create_rotation(rand1*r1)@gen_sigma(0.9, 1, ave, sigma)@\
              create_rotation(rand2*r2)
    return channel

频道示例运行

gen_channel(0.05, 0.05, 0.98, 0.15)

例如

Out[140]: 
array([[ 1.        +0.j,  0.        +0.j,  0.        +0.j,
         0.        +0.j],
       [-0.05828008+0.j,  0.91805971+0.j,  0.14291751+0.j,
        -0.00946994+0.j],
       [-0.00509449+0.j, -0.14170308+0.j,  0.90034613+0.j,
        -0.11548884+0.j],
       [ 0.0467522 +0.j, -0.00851749+0.j,  0.11450963+0.j,
         0.90259637+0.j]])

现在,如果我想创建这些 4x4 矩阵中的 100 个,我将不得不使用列表理解,即

np.array([gen_channel(0.05, 0.05, 0.98, 0.15) for i in range(100)])

这将 运行 通过所有约束比较并一一创建 4x4 矩阵。现在我最初的问题是因为我想对它们进行矢量化,所以与其一次比较一个值,不如使用 numpy broadcast 生成一组值并检查约束,这样我就有了 [= 的矢量化版本31=] 生成 100 个这样的 4x4 矩阵而不需要列表理解。列表理解方式包含重复使用生成单个随机数,这导致其运行速度出现瓶颈。我想做的只是生成随机数数组,进行这些检查,然后生成 4x4 通道数组以减少瓶颈。

您可以从原始分布中抽取大量样本,然后确定哪些条目位于正确的范围内,然后从中抽取:

# parameters
ave, sigma = 0,1
minimum, maximum = 0.9, 1

# draw sample and specify which entries are ok
a = np.random.normal(ave, sigma, 100000)
index = (a > minimum) & (a < maximum)

# draw from subset
np.random.choice(a[index], 1000, replace=False)

使用 timeit

关于上面的代码:

%%timeit -r 10 -n 10 
2.51 ms ± 87.5 µs per loop (mean ± std. dev. of 10 runs, 10 loops each)

在循环中的原件上:

%%timeit -r 10 -n 10

for i in range(1000):
    gen_truncated(0.9,1, 0, 1)

88.5 ms ± 1.24 ms per loop (mean ± std. dev. of 10 runs, 10 loops each)