基于TensorFlow概率中的另一个随机变量从张量中选择一个法线答案

【问题标题】：Selecting one normal from a tensor based on another random variable in TensorFlow Probability基于TensorFlow概率中的另一个随机变量从张量中选择一个法线
【发布时间】：2020-12-07 12:02:05
【问题描述】：

我正在尝试根据分类分布的输出从一系列正态分布中选择一个样本，但似乎无法找到完全正确的方法。使用类似的东西：

tfp.distributions.JointDistributionSequential([
        tfp.distributions.Categorical(probs=[0, 0, 1/2, 1/2]),
        lambda c: tfp.distributions.Normal([0, 1, -10, 30], 1)[..., c]
    ])

完全返回我想要的单个案例，但是如果我想要一次多个样本，这会中断（因为 c 变成了一个 numpy 数组而不是一个整数。这可能吗？如果可以，我应该怎么做？

（我也尝试使用 OneHotCategorical 和乘法，但根本不起作用！）

【问题讨论】：

标签： python tensorflow data-science probability tensorflow-probability

【解决方案1】：

如果您不想像 Brian 建议的那样使用 MixtureSameFamily，您可以这样做：

tfp.distributions.JointDistributionSequential([
        tfp.distributions.Categorical(probs=[0, 0, 1/2, 1/2]),
        lambda c: tfp.distributions.Normal(tf.gather([0., 1, -10, 30], c), 1)
    ])

请注意，我需要将 . 添加到聚集中的 locs 以避免 dtype 错误。

在这里，我们最终要做的是

从Categorical 中抽取n 样本
构造一批nNormals，其locs是通过将n次索引到locs的4-vector中得到的
从n-batch of Normals 中采样。

之前的方法行不通，因为Distribution slicing 不支持这种"fancy indexing" 如果我们支持那就太酷了！ TF 一般不支持，对于reasons。

【讨论】：

谢谢，这正是我最终的目标，因为我也想知道选择了哪个分类，我无法用@Brian-patton 解决的（也很有帮助的）答案。

【解决方案2】：

还有另一个distribution：

tfd.MixtureSameFamily(
  mixture_distribution=tfd.Categorical(probs=[0, 0, .5, .5]),
  components_distribution=tfd.Normal([0, 1, -10, 30], 1))

【讨论】：