在用python计算KL散度时，使用特定的P（x）作为参考分布，如何定义输入值P和q？

我想要实现KL散度，并且我想要使用p（x）作为参考分布，我想要与我的模型的分布进行比较。如何从参考分布P（x）得到直方图

defp（x）：
返回（（32/（数学pi）**2）*（x）**2*np.exp（-（4/数学pi）*（x）**2））
x=np.数组（[0,0,0,0,0,3,3,2,2,2,1,1,1,1，]））
图=plt.图（）
ax=图添加_子批次（111）
n、 存储箱，补丁=ax.hist（x，存储箱=10，密度=True）

为了计算KL散度，我定义了函数

def KL（p，q）：
KL_列表=[]
对于范围（p）内的i：
val=p*np.log（q/p）
KL_列表追加（val）
KL_list=-1*np.sum（np.array（KL_list））
返回KLU列表

现在为了调用函数KL（p，q），我必须定义p和q，那么在我的例子中p和q的值是多少？

正如我已经回答的，下面是我的互信息计算解决方案（基本上是KL）：

def mutual_information(x, y, sigma=1):
    bins = (256, 256)
    # histogram
    hist_xy = np.histogram2d(x, y, bins=bins)[0]

    # smooth it out for better results
    ndimage.gaussian_filter(hist_xy, sigma=sigma, mode='constant', output=hist_xy)

    # compute marginals
    hist_xy = hist_xy + EPS # prevent division with 0
    hist_xy = hist_xy / np.sum(hist_xy)
    hist_x = np.sum(hist_xy, axis=0)
    hist_y = np.sum(hist_xy, axis=1)

    # compute mi
    mi = (np.sum(hist_xy * np.log(hist_xy)) - np.sum(hist_x * np.log(hist_x)) - np.sum(hist_y * np.log(hist_y)))
    return mi