谁能举一个小例子来解释 tf.random.categorical 的参数？

Question

tensorflow 的网站给出了这个例子

tf.random.categorical(tf.log([[10., 10.]]), 5)

产生一个“形状为 [1, 5] 的张量，其中每个值是 0 或 1 的概率相等”

我已经知道，基本的演示，tf.log([[10., 10.]]).

我想知道的是 [batch_size, num_classes] 是做什么的，谁能举一个小例子来解释参数？

Answer 1

正如您所注意到的，tf.random.categorical需要两个参数：logits, 具有形状的 2D 浮动张量 [batch_size, num_classes]num_samples，整数标量。输出是一个形状为 的二维整数张量[batch_size, num_samples]。logits张量 ( logits[0, :], logits[1, :], ...) 的每一“行”代表不同分类分布的事件概率。不过，该函数并不期望实际概率值，而是期望未归一化的对数概率；所以实际的概率是softmax(logits[0, :])，softmax(logits[1, :])等等。这样做的好处是你基本上可以给出任何实际值作为输入（例如神经网络的输出），它们将是有效的。此外，使用对数使用特定的概率值或比例也很简单。例如，两者[log(0.1), log(0.3), log(0.6)]和[log(1), log(3), log(6)]代表相同的概率，其中第二类的可能性是第一类的三倍，但只有第三类的一半。对于（非标准化对数）概率的每一行，您都可以num_samples从分布中获得样本。每个样本是0和之间的整数num_classes - 1，根据给定的概率绘制。因此，结果是具有[batch_size, num_samples]每个分布的采样整数形状的 2D 张量。编辑：函数的一个小例子。import tensorflow as tfwith tf.Graph().as_default(), tf.Session() as sess:    tf.random.set_random_seed(123)    logits = tf.log([[1., 1., 1., 1.],                     [0., 1., 2., 3.]])    num_samples = 30    cat = tf.random.categorical(logits, num_samples)    print(sess.run(cat))    # [[3 3 1 1 0 3 3 0 2 3 1 3 3 3 1 1 0 2 2 0 3 1 3 0 1 1 0 1 3 3]    #  [2 2 3 3 2 3 3 3 2 2 3 3 2 2 2 1 3 3 3 2 3 2 2 1 3 3 3 3 3 2]]在这种情况下，结果是一个有两行 30 列的数组。第一行中的值是从分类分布中采样的，其中每个类 ( [0, 1, 2, 3]) 具有相同的概率。在第二行中，该类3是最有可能的类，并且该类0没有被抽样的概率。

Answer 2

希望这个简单的例子会有所帮助。tf.random.categorical 需要两个参数：logits, 形状 [batch_size, num_classes]num_samples前任：list_indices.shape = (4, 10)sampled_indices = tf.random.categorical(list_indices, num_samples=1)sample_indices 将会tf.Tensor([[2] [9] [4] [7]], shape=(4, 1), dtype=int64)这意味着1 num_samples取出10 num_classes每4行行 ( batch_size)