Python 有人能举个小例子来解释tf.random.category的参数吗？

tensorflow的网站给出了这个例子

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

生成一个“具有形状[1,5]的张量，其中每个值的概率为0或1”

我已经知道了

tf.log（[[10,10.]]）

的基本含义

我想知道的是[batch_size，num_classes]做了什么，有人能举一个小例子来解释参数吗？

正如您所指出的，有两个参数：

• logits

  ，一种二维浮点张量，具有形状

  [批量大小，数量类]

• num\u samples

  ，一个整数标量

输出是一个二维整数张量，其形状

[批次大小，数量样本]

logits

张量（

logits[0，：]

，

logits[1，：]

，…）的每个“行”表示不同事件的事件概率。该函数不期望实际的概率值，但期望非标准化的对数概率；因此，实际概率将是

softmax（logits[0，：]）

，

softmax（logits[1，：]）

，等等。这样做的好处是，您可以给出基本上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，使用特定的概率值或比例（使用对数）也很简单。例如，

[log（0.1）、log（0.3）、log（0.6）]

和

[log（1）、log（3）、log（6）]

表示相同的概率，其中第二类的概率是第一类的三倍，但只有第三类的一半

对于每一行（非标准化的对数）概率，您将从分布中获得

num\u samples

samples。每个样本是一个介于

0

和

num_class-1

之间的整数，根据给定的概率绘制。因此，结果是二维张量，其形状

[batch\u size，num\u samples]

，每个分布的采样整数

编辑：该函数的一个小示例

import tensorflow as tf

with 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]]

---

在本例中，结果是一个包含两行和30列的数组。第一行中的值从分类分布中采样，其中每个类（

[0,1,2,3]

）具有相同的概率。在第二行中，类

3

是最有可能的一个，类

0

没有被抽样的可能性。

希望这个简单的例子能有所帮助

tf.random.category

采用两个参数：

• logits

  ，带有形状

  [批量大小，数量类]

• num_样本

例：

list_index.shape=（4,10）

sampled\u index=tf.random.categorical（列表索引，num\u samples=1）

样本索引

将

tf.Tensor(
[[2]
 [9]
 [4]
 [7]], shape=(4, 1), dtype=int64)

---

这意味着从

10

num\u类中抽取
1
num\u样本
，用于
4
行中的每一行（
batch\u size
）
第二行的概率发生了什么变化，使得
3
最有可能和
0
没有被抽样的概率？@mLstudent33正如我在回答中试图解释的那样，每行上每个元素的概率都计算为给定值的softmax。由于第二行中的值是
[log（0）、log（1）、log（2）、log（3）]
（这里
log（0）
可以被视为负无穷大），概率将是
[0,0.2,0.4,0.6]
。当我这样做时：
来自scipy.special import softmax np。设置打印选项（精度=5）import numpy as np import tensorflow as tf x=np.array([0,1,2,3.]）print（x）x=np.log（x）print（x）probs=softmax（x）print（probs）
我得到了不同的概率
[0.0.16667 0.33333 0.5]
@mLstudent33你是对的，对不起，这些概率是正确的（我之前计算的概率加起来是1.2，而不是1）。重点是保持值之间的比例（值3是值1的三倍）。@jdehesa为什么应该有日志操作，我看到许多网络架构，它们的“logits”只是最后一层的原始输出。例如，
logits=keras.layers.Dense（输出大小）
，然后使用
tf.random.category（logits，1）
选择一个或多个。是否有
log
或
softmax
操作符内部
tf.random.category（logits，1）
？您是否知道
[-1,0].numpy（）参数在这里：
predicted\u id=tf.random.categorical（predictions，num\u samples=1）[-1,0].numpy（）
可在此处的Colab笔记本中找到：？