Python 什么tensorflow分布表示分类数据列表

我想构造一个变分自动编码器，其中一个样本是一个N*M矩阵，其中每行有M个类别。本质上，一个样本是一个分类数据列表，其中只能选择一个类别-一个热向量列表

目前，我有一个用于这类数据的自动编码器——我在最后一个维度上使用softmax来创建此约束，它可以工作（重建交叉熵很低）

---

现在，我想使用tf.distributions创建一个可变自动编码器。我想知道什么样的分发才合适

tf.contrib.distributions.category是否满足您的需求？样本应该是从（0到n-1），其中n代表类别

例如：

#logits的形状为[N，M]，其中M是类的数量

dist=tf.contrib.distributions.Categorical（logits=logits）

#取样20次。应该形成[20，N]

样本=距离样本（20）

#深度是类别的数量

---

one_hots=tf.one_hot（示例，深度=M）

tf.contrib.distributions.category是否满足您的需求？样本应该是从（0到n-1），其中n代表类别

例如：

#logits的形状为[N，M]，其中M是类的数量

dist=tf.contrib.distributions.Categorical（logits=logits）

#取样20次。应该形成[20，N]

样本=距离样本（20）

#深度是类别的数量

---

我不明白你的问题到底是什么。通常，您希望潜在向量为单位高斯。例如，在MNIST数据集中，单个像素的概率分布可以用伯努利分布表示。然后，为了构造变分自动编码器的解码器部分，潜在变量（如您所述的正态分布）是784贝努利结果的输入和输出。在我的例子中，结果不仅仅是两个类别，而是n>2个类别。我不明白你的问题到底是什么。通常，您希望潜在向量为单位高斯。例如，在MNIST数据集中，单个像素的概率分布可以用伯努利分布表示。然后，为了构造变分自动编码器的解码器部分，潜在变量（如您所述的正态分布）是784贝努利结果的输入和输出。在我的例子中，结果不仅仅是两个类别，而是n>2个类别。