Question

我试图找到相对于均值，协方差的关节分布梯度。我的意思是

means = [tf.contrib.distributions.MultivariateNormalFullCovariance(name = 'mu_%d' % i, loc=np.zeros(2), covariance_matrix=0.1 * np.eye(2))
       for i in range(2)]

现在，如果找到联合分布，则需要执行计算其梯度的任务。要使用tf.gradients()，所有内容都必须为张量形式。因此，我尝试使用theta_ = tf.convert_to_tensor(means)将均值转换为张量，但抛出错误提示我

TypeError：无法将类型的对象转换为Tensor。内容：[{<tf.distributions.MultivariateNormalFullCovariance 'mu_0' batch_shape=() event_shape=(2,) dtype=float64>, <tf.distributions.MultivariateNormalFullCovariance 'mu_1' batch_shape=() event_shape=(2,) dtype=float64>]。考虑将元素强制转换为受支持的类型。

还有其他方法可以计算均值，协方差的分布梯度吗？

Answer 1

tf.distribution是您无法采用渐变的对象。相反，您需要调用其方法之一。

例如：

dist = tf.contrib.distributions.MultivariateNormalFullCovariance(...)
mean = dist.mean()

tf.gradients(mean, some_param)

通常，您将使用.mean，.covariance甚至是.log_prob方法来创建这些张量，并对它们进行渐变。

将分布放入张量

1 个答案: