从文档中理解PyTorch的Bernoulli分布

Question

因此，我读了pytorch文档，试图学习和理解一些东西(因为我对机器学习还不熟悉)，我发现torch.bernoulli()和我理解(我想念它)，它近似于1到0之间的值或0取决于值(比如经典学派小于0.5 =0，大于或等于0.5 = 1)

在我自己做了一些实验之后，是的，它像预期的那样起作用了

 >>>y = torch.Tensor([0.500])
 >>>x
 >>>  0.5000
     [torch.FloatTensor of size 1]    
 >>> torch.bernoulli(x)
 >>> 1
     [torch.FloatTensor of size 1]

但是当我看文档的时候有点奇怪

>>> a = torch.Tensor(3, 3).uniform_(0, 1) # generate a uniform random matrix with range [0, 1]
>>> a

 0.7544  0.8140  0.9842
**0.5282** 0.0595  0.6445
 0.1925  0.9553  0.9732
[torch.FloatTensor of size 3x3]

>>> torch.bernoulli(a)

 1  1  1
 **0**  0  1
 0  1  1
[torch.FloatTensor of size 3x3]

在0.5282近似为0的例子中，这是如何发生的？或者这是文档中的一个错误，因为我尝试了它，0.5282被近似为1。

Answer 1

伯努利是概率分布。具体来说，torch.distributions.Bernoulli()从分布中采样并返回一个二进制值(即0或1)。这里，它返回1与概率p，并返回0与概率1-p.

下面的例子将说明这一理解：

In [141]: m =  torch.distributions.Bernoulli(torch.tensor([0.63]))

In [142]: m.sample() # 63% chance 1; 37% chance 0
Out[142]: tensor([ 0.])

In [143]: m.sample() # 63% chance 1; 37% chance 0
Out[143]: tensor([ 1.])

In [144]: m.sample() # 63% chance 1; 37% chance 0
Out[144]: tensor([ 0.])

In [145]: m.sample() # 63% chance 1; 37% chance 0
Out[145]: tensor([ 0.])

In [146]: m.sample() # 63% chance 1; 37% chance 0
Out[146]: tensor([ 1.])

In [147]: m.sample() # 63% chance 1; 37% chance 0
Out[147]: tensor([ 1.])

In [148]: m.sample() # 63% chance 1; 37% chance 0
Out[148]: tensor([ 1.])

In [149]: m.sample() # 63% chance 1; 37% chance 0
Out[149]: tensor([ 1.])

In [150]: m.sample() # 63% chance 1; 37% chance 0
Out[150]: tensor([ 1.])

In [151]: m.sample() # 63% chance 1; 37% chance 0
Out[151]: tensor([ 1.])

因此，我们对它进行了10次采样，其中得到了7次1，接近63%。我们需要对这个有限的大次数进行采样，才能得到0s和1s的确切百分比分别为37和63；这是因为https://en.wikipedia.org/wiki/Law_of_large_numbers。