Question

我有一个形状L的矩阵(2,5,2)。沿最后一个轴的值形成概率分布。我想对另一个形状S的矩阵(2, 5)进行采样，其中每个条目都是以下整数之一：0, 1。例如，

L = [[[0.1, 0.9],[0.2, 0.8],[0.3, 0.7],[0.5, 0.5],[0.6, 0.4]],
     [[0.5, 0.5],[0.9, 0.1],[0.7, 0.3],[0.9, 0.1],[0.1, 0.9]]]

其中一个样本可能是，

S = [[1, 1, 1, 0, 1],
     [1, 1, 1, 0, 1]]

上例中的分布是二项式的。但是，一般来说，L的最后一个维度可以是任何正整数，因此分布可以是多项。

需要在Tensorflow计算图中有效地生成样本。我知道如何使用函数apply_along_axis和numpy.random.multinomial使用numpy来执行此操作。

Answer 1

您可以在此处使用tf.multinomial()。

首先需要重新设置输入张量以塑造[-1, N]（其中N是L的最后一个维度）：

# L has shape [2, 5, 2]
L = tf.constant([[[0.1, 0.9],[0.2, 0.8],[0.3, 0.7],[0.5, 0.5],[0.6, 0.4]],
                 [[0.5, 0.5],[0.9, 0.1],[0.7, 0.3],[0.9, 0.1],[0.1, 0.9]]])

dims = L.get_shape().as_list()
N = dims[-1]  # here N = 2

logits = tf.reshape(L, [-1, N])  # shape [10, 2]

现在我们可以将函数tf.multinomial()应用于logits：

samples = tf.multinomial(logits, 1)
# We reshape to match the initial shape minus the last dimension
res = tf.reshape(samples, dims[:-1])

Answer 2

使用tf.multinomial()时要小心。函数的输入应该是logits而不是概率分布。但是，在您的示例中，最后一个轴是概率分布。

从轴上的Tensorflow中的张量采样

2 个答案: