【深度学习】深度学习需要掌握的 13 个概率分布-轻识

作者丨Sophia@知乎

来源丨https://zhuanlan.zhihu.com/p/158801020

编辑 | 极市平台

本文仅用于学术分享，著作权归作者所有。如有侵权，请联系后台作删文处理。

在逛Github时发现了一个不错的总结，对深度学习的概率分布进行了总结。

作者的Github开源地址：https://github.com/graykode/distribution-is-all-you-needgithub.com

1.均匀分布（连续）代码：https://github.com/graykode/distribution-is-all-you-need/blob/master/uniform.py

均匀分布在 [a，b] 上具有相同的概率值，是简单概率分布。

2.伯努利分布（离散）代码：https://github.com/graykode/distribution-is-all-you-need/blob/master/bernoulli.py

先验概率 p（x）不考虑伯努利分布。因此，如果我们对最大似然进行优化，那么我们很容易被过度拟合。

利用二元交叉熵对二项分类进行分类。它的形式与伯努利分布的负对数相同。

3.二项分布（离散）代码：https://github.com/graykode/distribution-is-all-you-need/blob/master/binomial.py

参数为 n 和 p 的二项分布是一系列 n 个独立实验中成功次数的离散概率分布。

二项式分布是指通过指定要提前挑选的数量而考虑先验概率的分布。

4.多伯努利分布/分类分布（离散）代码：https://github.com/graykode/distribution-is-all-you-need/blob/master/categorical.py

多伯努利称为分类分布。

交叉熵和采取负对数的多伯努利分布具有相同的形式。

5.多项式分布（离散）代码：https://github.com/graykode/distribution-is-all-you-need/blob/master/multinomial.py

多项式分布与分类分布的关系与伯努尔分布与二项分布的关系相同。

6.β分布（连续）代码：https://github.com/graykode/distribution-is-all-you-need/blob/master/beta.py

β分布与二项分布和伯努利分布共轭。

利用共轭，利用已知的先验分布可以更容易地得到后验分布。

当β分布满足特殊情况（α=1，β=1）时，均匀分布是相同的。

7.Dirichlet 分布（连续）代码：https://github.com/graykode/distribution-is-all-you-need/blob/master/dirichlet.py

dirichlet 分布与多项式分布是共轭的。

如果 k=2，则为β分布。

8.伽马分布（连续）代码：https://github.com/graykode/distribution-is-all-you-need/blob/master/gamma.py

如果 gamma（a，1）/gamma（a，1）+gamma（b，1）与 beta（a，b）相同，则 gamma 分布为β分布。

指数分布和卡方分布是伽马分布的特例。

9.指数分布（连续）代码：https://github.com/graykode/distribution-is-all-you-need/blob/master/exponential.py

指数分布是 α 为 1 时 γ 分布的特例。

10.高斯分布（连续）代码：https://github.com/graykode/distribution-is-all-you-need/blob/master/gaussian.py

高斯分布是一种非常常见的连续概率分布。

11.正态分布（连续）代码：https://github.com/graykode/distribution-is-all-you-need/blob/master/normal.py

正态分布为标准高斯分布，平均值为0，标准差为1。

12.卡方分布（连续）代码：https://github.com/graykode/distribution-is-all-you-need/blob/master/chi-squared.py

k 自由度的卡方分布是 k 个独立标准正态随机变量的平方和的分布。

卡方分布是 β 分布的特例。

13.t 分布（连续）代码：https://github.com/graykode/distribution-is-all-you-need/blob/master/student-t.py

t分布是对称的钟形分布，与正态分布类似，但尾部较重，这意味着它更容易产生远低于平均值的值。

      
       
      
       
        
       
       
        
                      
              
                               
                 
                                     
                    
                                              
                          
                                                       
                             
                              
                              
                              
                              
                              往期精彩回顾
                              
                              
                              
                              
                             
                            
                            
                             
                              
                              
                              

                              
                              
                              
                              

                              
                              
                              

                              
                              
                              
                              

                              
                              
                             
                             
                              适合初学者入门人工智能的路线及资料下载
                              (图文+视频)机器学习入门系列下载
                              机器学习及深度学习笔记等资料打印
                              《统计学习方法》的代码复现专辑

                             
                            
                          
                         
                    
                   
                 
                
                
                 交流群
                
欢迎加入机器学习爱好者微信群一起和同行交流，目前有机器学习交流群、博士群、博士申报交流、CV、NLP等微信群，请扫描下面的微信号加群，备注：”昵称-学校/公司-研究方向“，例如：”张小明-浙大-CV“。请按照格式备注，否则不予通过。添加成功后会根据研究方向邀请进入相关微信群。请勿在群内发送广告，否则会请出群，谢谢理解~（也可以加入机器学习交流qq群772479961）