TensorFlow中的采样Bernoulli随机变量

给定一个包含伯努利分布均值的一维张量，如何用给定均值对相应的一维张量采样

TensorFlow似乎只实现了

random\u normal

和

random\u uniform

功能。我可以用一些复杂的东西，比如：

tf.ceil(tf.sub(tf.random_uniform((1, means.get_shape()[0])),means))

---

但是

ceil

函数在TensorFlow中没有定义梯度。

您可以使用

tf。选择
，这是可微的

means = tf.constant([.3,.8])
a = tf.select(tf.random_uniform([1, 2])- means > 0.5, tf.ones([1,2]), tf.zeros([1,2]))
with tf.Session(''): a.eval()

自TFr1.0以来，
tf.select
被弃用，取而代之的是
tf.where
。此外，@keveman给出的答案应将均匀随机抽样与<0、大于0.5或大于0进行比较：

    means = tf.constant([.3,.8])
    sample = tf.where(tf.random_uniform([1, 2]) - means < 0, 
      tf.ones([1,2]), tf.zeros([1,2]))
    with tf.Session(''): sample.eval()

means=tf.常数（[.3,8]）
样本=tf，其中（tf.random_uniform（[1,2]）-表示<0，
tf.one（[1,2]），tf.zero（[1,2]））
使用tf.Session（“”）：sample.eval（）
以下技巧也是从伯努利分布中取样的一种方法：

tf.nn.relu(tf.sign(means - tf.random_uniform(tf.shape(means))))

特选作品！条件不应该是>0而不是>0.5吗？
tf.select
和
tf.cond
可以是可微的，但是
tf.random\u uniform
op说它是不可微的。这是否使得该控件中的选择或分支不可微？显然，此版本在反向传播时将梯度归零。不过，它比一个
tanh
或sigmoid要快得多。