PowerTransform¶

class paddle.distribution. PowerTransform ( power ) [源代码] ¶

幂变换 \(y = x^{power}\)。

参数¶

power (Tensor) - 幂参数。

代码示例¶

          import paddle

x = paddle.to_tensor([1., 2.])
power = paddle.distribution.PowerTransform(paddle.to_tensor(2.))

print(power.forward(x))
# Tensor(shape=[2], dtype=float32, place=Place(gpu:0), stop_gradient=True,
#        [1., 4.])
print(power.inverse(power.forward(x)))
# Tensor(shape=[2], dtype=float32, place=Place(gpu:0), stop_gradient=True,
#        [1., 2.])
print(power.forward_log_det_jacobian(x))
# Tensor(shape=[2], dtype=float32, place=Place(gpu:0), stop_gradient=True,
#        [0.69314718, 1.38629436])

         

方法¶

forward(x)¶

计算正变换 \(y=f(x)\) 的结果。

有助于将一个随机结果变成另一个随机结果。

参数

x (Tensor) - 正变换输入参数，通常为 Distribution 的随机采样结果。

返回

Tensor，正变换的计算结果。

inverse(y)¶

计算逆变换 \(x = f^{-1}(y)\)。

参数

y (Tensor) - 逆变换的输入参数。

返回

Tensor，逆变换的计算结果。

forward_log_det_jacobian(x)¶

计算正变换雅可比行列式绝对值的对数。

如果变换不是一一映射，则雅可比矩阵不存在，抛出 NotImplementedError 。

参数

x (Tensor) - 输入参数。

返回

Tensor，正变换雅可比行列式绝对值的对数。

inverse_log_det_jacobian(y)¶

计算逆变换雅可比行列式绝对值的对数。

与 forward_log_det_jacobian 互为负数。

参数

y (Tensor) - 输入参数。

返回

Tensor，逆变换雅可比行列式绝对值的对数。

forward_shape(shape)¶

推断正变换输出形状。

参数

shape (Sequence[int]) - 正变换输入的形状。

返回

Sequence[int]，正变换输出的形状。

inverse_shape(shape)¶

推断逆变换输出形状。

参数

shape (Sequence[int]) - 逆变换输入的形状。

返回

Sequence[int]，逆变换输出的形状。