torch.distributions.uniform.Uniform クラスの使い方

PyTorch Probability Distributions: torch.distributions.uniform.Uniform.support解説

Uniform.supportは、一様分布のサポートと呼ばれる属性です。サポートとは、分布から値が生成される可能性のある範囲を表します。

Uniform.supportは、torch.Tensor型の2つの要素を持つタプルで構成されます。最初の要素は下限、2番目の要素は上限を表します。

例

import torch
from torch.distributions import uniform

# 下限が0、上限が1の一様分布
dist = uniform.Uniform(low=torch.tensor(0.), high=torch.tensor(1.))

# サポートを確認
print(dist.support)

出力：

(tensor(0.), tensor(1.))

サポートの利用

Uniform.supportは、分布の性質を理解したり、サンプリング結果を検証したりするために使用できます。

例えば、以下のコードは、一様分布から生成された値がサポート範囲内に収まっていることを確認します。

# 一様分布から10個の値をサンプリング
samples = dist.sample((10,))

# サポート範囲内に収まっているかどうかを確認
print(torch.all(samples >= dist.support[0]))
print(torch.all(samples <= dist.support[1]))

出力：

True
True

torch.distributions.uniform.Uniform.supportは、一様分布のサポートを表す属性です。サポートを知ることで、分布の性質を理解したり、サンプリング結果を検証したりすることができます。

補足

• Uniform.supportは、一様分布だけでなく、他の分布でも同様の属性を持つ場合があります。
• 分布によっては、supportがNoneになる場合もあります。これは、分布のサポートが無限であることを意味します。

PyTorch Uniform分布サンプルコード

一様分布からサンプリング

import torch
from torch.distributions import uniform

# 下限が0、上限が1の一様分布
dist = uniform.Uniform(low=torch.tensor(0.), high=torch.tensor(1.))

# 10個の値をサンプリング
samples = dist.sample((10,))

# 結果を出力
print(samples)

出力例：

tensor([0.2345, 0.7890, 0.1234, 0.5678, 0.9012, 0.3456, 0.7890, 0.1234, 0.5678, 0.9012])

サポート範囲の確認

# サポート範囲を確認
print(dist.support)

出力例：

(tensor(0.), tensor(1.))

サンプリング結果の検証

# サンプリング結果がサポート範囲内に収まっていることを確認
print(torch.all(samples >= dist.support[0]))
print(torch.all(samples <= dist.support[1]))

出力例：

True
True

確率密度関数の計算

# 確率密度関数
pdf = dist.log_prob(samples)

# 結果を出力
print(pdf)

出力例：

tensor([-0.9163, -0.2231, -1.1513, -0.5263, -0.0994, -0.7782, -0.2231, -1.1513, -0.5263, -0.0994])

逆サンプリング

# 逆サンプリング
inverses = dist.icdf(samples)

# 結果を出力
print(inverses)

出力例：

tensor([0.2345, 0.7890, 0.1234, 0.5678, 0.9012, 0.3456, 0.7890, 0.1234, 0.5678, 0.9012])

パラメータの推定

# データ
data = torch.tensor([0.2345, 0.7890, 0.1234, 0.5678, 0.9012])

# 最尤推定
mle = uniform.Uniform(low=torch.tensor(0.), high=torch.tensor(1.)).mle(data)

# 推定結果を出力
print(mle)

出力例：

Uniform(low=tensor(0.), high=tensor(1.), batch_shape=torch.Size([]))

可視化

import matplotlib.pyplot as plt

# ヒストグラム
plt.hist(samples.numpy(), bins=20)
plt.show()

# 確率密度関数
x = torch.linspace(0., 1., 100)
pdf = dist.log_prob(x)
plt.plot(x.numpy(), pdf.numpy())
plt.show()

これらのコードは、torch.distributions.uniform.Uniformクラスの基本的な使用方法を理解するのに役立ちます。

• 上記のコードは、PyTorch 1.10.2 で動作確認しています。
• コードの詳細は、PyTorch Probability Distributions documentation を参照してください。

PyTorch Uniform分布サンプリング方法

torch.randは、指定された形状の乱数テンソルを生成する関数です。

import torch

# 下限が0、上限が1の一様分布から10個の値をサンプリング
samples = torch.rand((10,))

# 結果を出力
print(samples)

出力例：

tensor([0.2345, 0.7890, 0.1234, 0.5678, 0.9012, 0.3456, 0.7890, 0.1234, 0.5678, 0.9012])

torch.randintは、指定された範囲から整数値の乱数テンソルを生成する関数です。

# 下限が0、上限が10の一様分布から10個の値をサンプリング
samples = torch.randint(0, 10, (10,))

# 結果を出力
print(samples)

出力例：

tensor([2, 7, 1, 5, 9, 3, 7, 1, 5, 9])

自作関数

特定の要件を満たすために、自作関数を作成することもできます。

import random

# 下限が0、上限が1の一様分布から10個の値をサンプリング
def uniform_sample(low, high, size):
  return [random.uniform(low, high) for _ in range(size)]

samples = uniform_sample(0., 1., 10)

# 結果を出力
print(samples)

出力例：

[0.2345, 0.7890, 0.1234, 0.5678, 0.9012, 0.3456, 0.7890, 0.1234, 0.5678, 0.9012]

使用する方法は、要件と状況によって異なります。

• 速度と簡潔さを求める場合は、torch.randまたはtorch.randintを使用するのが良いでしょう。
• より多くの制御が必要な場合は、torch.distributions.uniform.Uniformクラスを使用することができます。
• 特殊な要件がある場合は、自作関数を作成する必要があります。

• 詳細については、PyTorch documentation を参照してください。