PyTorch:如何从张量中的每个值都有不同的可能被选择的张量中取样？
PyTorch:如何从张量中的每个值都有不同的可能被选择的张量中取样？
提问于 2022-06-01 19:23:07
给定包含求和为1的概率的张量A = torch.tensor([0.0316, 0.2338, 0.2338, 0.2338, 0.0316, 0.0316, 0.0860, 0.0316, 0.0860]) (我去掉了一些小数，但可以安全地假定它总是求和为1)，我想从A中采样一个值，其中值本身就是被采样的可能性。例如，从0.0316中抽取A的可能性是0.0316。抽样值的输出仍应是张量。
我尝试使用WeightedRandomSampler，但它不再允许选择的值作为张量，而是分离。
有一点需要注意的是，我也想知道样本值的指数，因为它出现在张量中。也就是说，假设我是样本0.2338，我想知道它是指数1，2还是张量A的3。
回答 3
Stack Overflow用户
回答已采纳
发布于 2022-06-03 10:04:53
通过累加权值和选择随机浮点数[0,1)的插入指数，可以实现具有期望概率的选择。示例数组A被稍加调整为1。
import torch
A = torch.tensor([0.0316, 0.2338, 0.2338, 0.2338, 0.0316, 0.0316, 0.0860, 0.0316, 0.0862], requires_grad=True)
p = A.cumsum(0)
#tensor([0.0316, 0.2654, 0.4992, 0.7330, 0.7646, 0.7962, 0.8822, 0.9138, 1.0000], grad_fn=<CumsumBackward0>))
idx = torch.searchsorted(p, torch.rand(1))
A[idx], idx输出
(tensor([0.2338], grad_fn=<IndexBackward0>), tensor([3]))这比使用A.multinomial(1)的更常见的方法要快。
抽样10000倍于一个元素以检查分布是否符合概率
from collections import Counter
Counter(int(A.multinomial(1)) for _ in range(10000))
#1 loop, best of 5: 233 ms per loop
# vs @HatemAli's solution
dist=torch.distributions.categorical.Categorical(probs=A)
Counter(int(dist.sample()) for _ in range(10000))
# 10 loops, best of 5: 107 ms per loop
Counter(int(torch.searchsorted(p, torch.rand(1))) for _ in range(10000))
# 10 loops, best of 5: 53.2 ms per loop输出
Counter({0: 319,
1: 2360,
2: 2321,
3: 2319,
4: 330,
5: 299,
6: 903,
7: 298,
8: 851})Stack Overflow用户
发布于 2022-06-01 22:55:17
这个怎么样？
probs = torch.tensor([0.0316, 0.2338, 0.2338, 0.2338, 0.0316, 0.0316, 0.0860, 0.0316, 0.0860],requires_grad=True)
dist=torch.distributions.categorical.Categorical(probs=probs)
probs[dist.sample()]Stack Overflow用户
发布于 2022-06-01 19:29:15
你可以通过做这样的事情来作弊：
A = A*10000
temp = [[i]*A[i] for i in range(len(A))]
value = np.random.choice(temp)/10000页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://stackoverflow.com/questions/72467096
复制相关文章
相似问题
腾讯云开发者
