IndependentTransform¶
- class paddle.distribution. IndependentTransform ( base, reinterpreted_batch_rank ) [源代码] ¶
-
IndependentTransform将一个基础变换base的部分批(batch)维度reinterpreted_batch_rank扩展为事件(event)维度。IndependentTransform不改变基础变换forward以及inverse计算结果，但会对forward_log_det_jacobian以及inverse_log_det_jacobian计算结果沿着扩展的维度进行求和。
例如，假设基础变换为 ExpTransform , 其输入为一个随机采样结果 x , 形状 为 (S=[4],B=[2,2],E=[3]) , S 、B 、E 分别表示采样形状、批形状、事件形 状, reinterpreted_batch_rank=1 。 则 IndependentTransform(ExpTransform) 变换后，x 的形状为 (S=[4],B=[2],E=[2,3]) ，即将最右侧的批维度作为事件维度。 此时 forward 和 inverse 输出形状仍是 (4,2,2,3) , 但 forward_log_det_jacobian 以及 inverse_log_det_jacobian 输出形状 为 (4, 2) .
参数¶
base (Transform) - 基础变换。
reinterpreted_batch_rank (int) - 被扩展为事件维度的最右侧批维度数量。
代码示例¶
import paddle
x = paddle.to_tensor([[1., 2., 3.], [4., 5., 6.]])
# Exponential transform with event_rank = 1
multi_exp = paddle.distribution.IndependentTransform(
paddle.distribution.ExpTransform(), 1)
print(multi_exp.forward(x))
# Tensor(shape=[2, 3], dtype=float32, place=Place(gpu:0), stop_gradient=True,
# [[2.71828175 , 7.38905621 , 20.08553696 ],
# [54.59814835 , 148.41316223, 403.42880249]])
print(multi_exp.forward_log_det_jacobian(x))
# Tensor(shape=[2], dtype=float32, place=Place(gpu:0), stop_gradient=True,
# [6. , 15.])
方法¶
forward(x)¶
计算正变换 \(y=f(x)\) 的结果。
参数
x (Tensor) - 正变换输入参数，通常为 Distribution 的随机采样结果。
返回
y (Tensor) - 正变换的计算结果。
forward_log_det_jacobian(x)¶
计算正变换雅可比行列式绝对值的对数。
如果变换不是一一映射，则雅可比矩阵不存在，返回 NotImplementedError .
参数
x (Tensor) - 输入参数。
返回
Tensor - 正变换雅可比行列式绝对值的对数。
inverse_log_det_jacobian(y)¶
计算逆变换雅可比行列式绝对值的对数。
与 forward_log_det_jacobian 互为负数。
参数
y (Tensor) - 输入参数。
返回
Tensor - 逆变换雅可比行列式绝对值的对数。