PowerTransform¶
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。
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。