Pytorch log_prob做什么？

在一些（例如机器学习）库中，我们可以找到

log\u prob

函数。它的作用是什么？它与普通的

log

有何不同

例如，此代码的目的是什么：

dist = Normal(mean, std)
sample = dist.sample()
logprob = dist.log_prob(sample)

接下来，我们为什么要先获取一个日志，然后对结果值求幂，而不是直接计算它：

prob = torch.exp(dist.log_prob(sample))

---

部分答案是，

log\u prob

返回给定样本值下评估的概率密度/质量函数的对数。

正如您自己的答案所述，

log\u prob

返回密度或概率的对数。在这里，我将谈谈你问题中的其余几点：

• 这与

  log

  有何不同？发行版没有方法

  log

  。如果他们这样做了，最接近的解释可能确实是类似于

  log_prob

  的东西，但这不是一个非常精确的名称，因为If回避了“记录什么”的问题？一个分布有多个数值属性（例如其平均值、期望值等），而概率或密度只是其中之一，因此名称可能不明确

这一点不适用于

Tensor.log（）

方法（这可能是您的想法），因为

Tensor

本身就是一个数学量，我们可以使用log

• 为什么以后只取概率的对数来求幂呢？以后可能不需要对其求幂。例如，如果您有概率的日志

  p

  和

  q

  ，那么您可以直接将

  log（p*q）

  计算为

  log（p）+log（q）

  ，避免中间求幂。这在数值上更稳定（避免下溢），因为概率可能会变得非常接近零，而它们的日志则不会。一般来说，加法也比乘法更有效，其导数更简单。网站上有一篇关于这些主题的好文章

---

log\u prob

记录（某些动作）的概率。例如：

action_logits = torch.rand(5)
action_probs = F.softmax(action_logits, dim=-1)
action_probs

返回：

张量（[0.1457,0.2831,0.1569,0.2221,0.1922]）

然后：

返回：

---

张量（-1.8519）张量（-1.8519）

你找到答案了吗？我希望有一种直接的方法来计算torch中的PDF。这很接近，但很烦人，你必须尝试一下。

dist = Categorical(action_probs)
action = dist.sample()
print(dist.log_prob(action), torch.log(action_probs[action]))