Tensorflow 基于张量流中随机变量的张量采样

是否有可能从依赖于tensorflow中随机变量的张量中获取样本？我需要得到一个近似的样本分布，用于优化损失函数。具体来说，在下面的示例中，我希望能够获得Y_输出的样本，以便能够计算输出分布的均值和方差，并在损失函数中使用这些参数

def sample_weight(mean, phi, seed=1):
    P_epsilon = tf.distributions.Normal(loc=0., scale=1.0)
    epsilon_s = P_epsilon.sample([1])
    s = tf.multiply(epsilon_s, tf.log(1.0+tf.exp(phi)))
    weight_sample = mean + s
    return weight_sample

X = tf.placeholder(tf.float32, shape=[None, 1], name="X")
Y_labels = tf.placeholder(tf.float32, shape=[None, 1], name="Y_labels")
sw0 = sample_weight(u0,p0)
sw1 = sample_weight(u1,p1)
Y_output = sw0 + tf.multiply(sw1,X)

loss = tf.losses.mean_squared_error(labels=Y_labels, predictions=Y_output)
train_op = tf.train.AdamOptimizer(0.5e-1).minimize(loss)
init_op = tf.global_variables_initializer()
losses = []
predictions = []

Fx = lambda x: 0.5*x + 5.0
xrnge = 50
xs, ys = build_toy_data(funcx=Fx, stdev=2.0, num=xrnge)

with tf.Session() as sess:
    sess.run(init_op)
    iterations=1000
    for i in range(iterations):
        stat = sess.run(loss, feed_dict={X: xs, Y_labels: ys})

---

不确定这是否回答了您的问题，但是：当您在采样

Op

的下游有一个

Tensor

时（例如，调用

p_epsilon.sample（[1]）创建的
Op
）

，无论何时调用

sess.run

在下游的

Tensor

上运行，示例op都将重新运行，并生成一个新的随机值。示例：

import tensorflow as tf
from tensorflow_probability import distributions as tfd

n = tfd.Normal(0., 1.)
s = n.sample()
y = s**2
sess = tf.Session()  # Don't actually do this -- use context manager
print(sess.run(y))
# ==> 0.13539088
print(sess.run(y))
# ==> 0.15465781
print(sess.run(y))
# ==> 4.7929106

如果您想要一组

y

，您可以

import tensorflow as tf
from tensorflow_probability import distributions as tfd

n = tfd.Normal(0., 1.)
s = n.sample(100)
y = s**2
sess = tf.Session()  # Don't actually do this -- use context manager
print(sess.run(y))
# ==> vector of 100 squared random normal values

我们在

tensorflow\u probability

中也有一些很酷的工具来做你在这里要做的事情。即

Bijector

API和稍微简单一点的

trainable\u分布

API

（另一个小点：我建议使用

tf.nn.softplus

，或者至少使用

tf.log1p（tf.exp（x））

而不是

tf.log（1.0+tf.exp（x））

。后者由于浮点不精确，数值属性较差，前者对此进行了优化）

---

希望这是一些帮助！

嗨，Chris，谢谢你的反馈和建议。我知道连续使用run函数将产生不同的随机样本。但是，我希望在成本函数中使用这种功能，在成本函数中有多个依赖于N个随机样本的项。可能使用可训练的d分布可能会有所帮助，但如果能够设置一个成本函数来使用概率网络中的多个样本，那就太好了。如果您每次都想在成本函数中使用相同的样本，我认为您有3个选择：1.Do

samples\uuz=sess.run（samples）

然后使用结果

采样

下游2.使用3.使用

变量

和

tf.分配

将变量设置为采样结果；然后只有在运行分配操作时才会进行重采样