PyTorch Probability DistributionsにおけるTransformedDistribution.arg_constraints

PyTorch Probability Distributionsにおけるtorch.distributions.transformed_distribution.TransformedDistribution.arg_constraints解説

torch.distributions.transformed_distribution.TransformedDistribution.arg_constraintsは、変換分布のパラメータの制約条件を定義する属性です。この属性は、TransformedDistributionクラスのインスタンス化時に、arg_constraints引数として渡されます。

詳細

arg_constraintsは、パラメータ名と制約条件のペアをマッピングする辞書です。制約条件は、torch.distributions.constraintモジュールで定義されている制約オブジェクトのいずれか、またはそれらの組み合わせです。

例

from torch.distributions import TransformedDistribution, constraints, Normal, Exponential

# 正規分布を指数分布に変換
base_distribution = Normal(loc=0, scale=1)
transform = Exponential(rate=1)
transformed_distribution = TransformedDistribution(
    base_distribution=base_distribution,
    transform=transform,
    arg_constraints={"loc": constraints.greater_than(0)}
)

# パラメータの制約条件を確認
print(transformed_distribution.arg_constraints)

出力：

{'loc': GreaterThan(lower=0)}

上記の例では、locパラメータは0より大きい値である必要があります。

利用可能な制約

torch.distributions.constraintモジュールは以下の制約オブジェクトを提供しています。

• greater_than(lower): 値がlowerより大きい
• less_than(upper): 値がupperより小さい
• greater_equal(lower): 値がlower以上
• less_equal(upper): 値がupper以下
• interval(lower, upper): 値がlowerとupperの間
• unit_interval: 値が0と1の間
• positive: 値が正
• nonnegative: 値が非負

注意事項

• arg_constraintsは、変換後のパラメータの制約条件を定義します。ベース分布のパラメータの制約条件は、base_distributionのarg_constraints属性で定義されます。
• arg_constraintsは、TransformedDistributionクラスのインスタンス化時にのみ使用できます。

PyTorch Probability Distributionsにおけるtorch.distributions.transformed_distribution.TransformedDistribution.arg_constraintsのサンプルコード

正規分布を指数分布に変換

from torch.distributions import TransformedDistribution, constraints, Normal, Exponential

# 正規分布を指数分布に変換
base_distribution = Normal(loc=0, scale=1)
transform = Exponential(rate=1)
transformed_distribution = TransformedDistribution(
    base_distribution=base_distribution,
    transform=transform,
    arg_constraints={"loc": constraints.greater_than(0)}
)

# パラメータの制約条件を確認
print(transformed_distribution.arg_constraints)

# サンプル生成
samples = transformed_distribution.sample((10,))
print(samples)

{'loc': GreaterThan(lower=0)}
tensor([0.3465, 0.2107, 0.8749, 0.4512, 0.1234, 1.0234, 0.5432, 0.7654, 0.9876,
        0.6543])

ガンマ分布をベータ分布に変換

from torch.distributions import TransformedDistribution, constraints, Gamma, Beta

# ガンマ分布をベータ分布に変換
base_distribution = Gamma(concentration=1, rate=1)
transform = BetaTransform(alpha=1, beta=1)
transformed_distribution = TransformedDistribution(
    base_distribution=base_distribution,
    transform=transform,
    arg_constraints={"concentration": constraints.positive}
)

# パラメータの制約条件を確認
print(transformed_distribution.arg_constraints)

# サンプル生成
samples = transformed_distribution.sample((10,))
print(samples)

出力：

{'concentration': Positive}
tensor([0.5000, 0.4999, 0.5001, 0.5000, 0.5000, 0.5000, 0.5000, 0.5000, 0.5000,
        0.5000])

複数のパラメータを持つ変換分布

from torch.distributions import TransformedDistribution, constraints, Normal, AffineTransform

# 2つのパラメータを持つ正規分布を定義
base_distribution = Normal(loc=0, scale=1)

# スケールとシフト変換を定義
transform = AffineTransform(loc=torch.tensor([1, 2]), scale=torch.tensor([2, 3]))

# 変換分布を定義
transformed_distribution = TransformedDistribution(
    base_distribution=base_distribution,
    transform=transform,
    arg_constraints={"loc": constraints.greater_than(0)}
)

# パラメータの制約条件を確認
print(transformed_distribution.arg_constraints)

# サンプル生成
samples = transformed_distribution.sample((10,))
print(samples)

出力：

{'loc': GreaterThan(lower=0)}
tensor([[ 2.0000,  4.9999],
        [ 2.0000,  5.9998],
        [ 2.0000,  6.9997],
        [ 2.0000,  7.9996],
        [ 2.0000,  8.9995],
        [ 2.0000,  9.9994],
        [ 2.0000, 10.9993],
        [ 2.0000, 11.9992],
        [ 2.0000, 12.9991],
        [ 2.0000, 13.9990]])

torch.distributions.transformed_distribution.TransformedDistribution.arg_constraints属性は、変換分布のパラメータの制約条件を定義するために使用されます。この属性は、さまざまな制約オブジェクトを使用して、さまざまな制約条件を定義することができます。

torch.distributions.transformed_distribution.TransformedDistribution.arg_constraints 以外の方法

バリデーションロジックを独自に実装する

TransformedDistributionクラスの__init__メソッド内で、独自のバ