Tensorflow Probability 中每个实验的具有不同数量可能结果的分类分布答案

【问题标题】：Categorical distribution with different number of possible outcomes for each experiment in Tensorflow ProbabilityTensorflow Probability 中每个实验的具有不同数量可能结果的分类分布
【发布时间】：2021-04-24 01:33:38
【问题描述】：

在 Tensorflow Probability 中，我如何使用分类分布编写模型，其中每个实验可以有不同数量的结果？

例如，假设我们有来自 3 个实验（a、b 和 c）的数据，其中前两个实验有两个可能的结果，第三个实验有 3 个可能的结果。我们有以下数组用于定义每个结果的概率的 logits

logits = [a_1, a_2, b_1, b_1, c_1, c_2, c_3]

所以我们在第一个实验中出现 1 的概率是 exp(a_1)/[exp(a_1) + exp(a_2)]，而在实验 3 中出现结果 2 的概率是 exp(c_2)/[exp(c_1) + exp(c_2) + exp(c_3)]，依此类推（你懂的）。

【问题讨论】：

标签： tensorflow tensorflow-probability

【解决方案1】：

也许您可以使用 -inf logits 填充较小的结果集。

即

tfd.Categorical(logits=[[a_1, a_2, -inf],
                        [b_1, b_2, -inf],
                        [c_1, c_2, c_3]])

【讨论】：

嗨，布赖恩，感谢您的回答。我有类似的想法，但在尝试填充和重塑我的数据时遇到了问题。我在这里写了一个单独的 SO（也许你也有一个很好的建议！）：stackoverflow.com/questions/67238502/…