34 lines
2.4 KiB
ReStructuredText
34 lines
2.4 KiB
ReStructuredText
mindspore.ops.multinomial
|
||
=========================
|
||
|
||
.. py:function:: mindspore.ops.multinomial(input, num_samples, replacement=True, seed=None)
|
||
|
||
生成一个多项式分布的tensor。
|
||
|
||
多项式分布是一种概率分布，把二项分布公式推广至多种状态，就得到了多项式分布。在多项式分布中，每个事件都有一个固定的概率，这些概率的和为1。
|
||
|
||
本接口的作用是对输入 `input` 进行 `num_samples` 次抽样，输出的tensor则为每一次抽样时输入tensor的索引，其中 `input` 中的值为每次抽样取到对应索引的概率。
|
||
|
||
这里我们给一个相对极端的用例方便理解，我们给定一个输入概率值tensor，值为 `[90 / 100, 10 / 100, 0]` ，代表我们一共可以对三个索引进行抽样，分别为索引0、索引1和索引2，它们被抽中的概率分别为90%、10%和0%，我们对其进行n次抽样，抽样的结果则为多项式分布的计算结果，计算结果长度与抽样次数一致。
|
||
|
||
在样例代码case 1中，我们对其进行两次不放回抽样（`replacement` 为 ``False``），由于每次抽样抽到索引0的概率为90%，因此抽到的结果第一次大概率是抽到索引0，由于抽到索引2的概率为0，因此抽样两次结果不可能出现索引2，那第二次结果一定是索引1，因此结果序列为 `[0, 1]`。
|
||
|
||
在样例代码case 2中，我们对其进行10次放回抽样（`replacement` 为 ``True``），可以看到计算结果中大概有90%的抽样结果为抽到索引0，符合预期。
|
||
|
||
在样例代码case 3中，我们将输入扩展为二维，可以看到抽样结果在每一个维度中的结果也符合抽样预期。
|
||
|
||
.. note::
|
||
输入的行不需要求和为1（当使用值作为权重的情况下），但必须是非负的、有限的，并且和不能为0。在使用值作为权重的情况下，可以理解为对输入沿最后一维进行了归一化操作，以此保证概率和为1。
|
||
|
||
.. warning::
|
||
Ascend后端不支持随机数重现功能， `seed` 参数不起作用。
|
||
|
||
参数：
|
||
- **input** (Tensor) - 包含概率值的tensor。
|
||
- **num_samples** (int) - 采样的次数。
|
||
- **replacement** (bool，可选) - 是否放回，默认 ``True`` 。
|
||
- **seed** (int，可选) - 随机种子，默认 ``None`` 。
|
||
|
||
返回：
|
||
Tensor
|