从 TensorFlow 中给定的非均匀分布进行无替换采样答案

【问题标题】：Sampling without replacement from a given non-uniform distribution in TensorFlow从 TensorFlow 中给定的非均匀分布进行无替换采样
【发布时间】：2017-09-04 17:23:10
【问题描述】：

我正在寻找类似于numpy.random.choice(range(3),replacement=False,size=2,p=[0.1,0.2,0.7])的东西
在 TensorFlow 中。

最接近它的Op 似乎是tf.multinomial(tf.log(p))，它将logits 作为输入，但如果没有替换它就无法采样。有没有其他方法可以从 TensorFlow 中的非均匀分布中进行采样？

谢谢。

【问题讨论】：

标签： random tensorflow choice multinomial

【解决方案1】：

是的，有。有关一些背景信息，请参阅 here 和 here。解决办法是：

z = -tf.log(-tf.log(tf.random_uniform(tf.shape(p),0,1))) 
_, indices = tf.nn.top_k(tf.log(p) + z, size)

【讨论】：

【解决方案2】：

您可以使用 tf.py_func 包装 numpy.random.choice 并将其作为 TensorFlow 操作提供：

a = tf.placeholder(tf.float32)
size = tf.placeholder(tf.int32)
replace = tf.placeholder(tf.bool)
p = tf.placeholder(tf.float32)

y = tf.py_func(np.random.choice, [a, size, replace, p], tf.float32)

with tf.Session() as sess:
    print(sess.run(y, {a: range(3), size: 2, replace:False, p:[0.1,0.2,0.7]}))

你可以像往常一样指定 numpy 种子：

np.random.seed(1)
print(sess.run(y, {a: range(3), size: 2, replace:False, p:[0.1,0.2,0.7]}))
print(sess.run(y, {a: range(3), size: 2, replace:False, p:[0.1,0.2,0.7]}))
print(sess.run(y, {a: range(3), size: 2, replace:False, p:[0.1,0.2,0.7]}))
np.random.seed(1)
print(sess.run(y, {a: range(3), size: 2, replace:False, p:[0.1,0.2,0.7]}))
print(sess.run(y, {a: range(3), size: 2, replace:False, p:[0.1,0.2,0.7]}))
print(sess.run(y, {a: range(3), size: 2, replace:False, p:[0.1,0.2,0.7]}))
np.random.seed(1)
print(sess.run(y, {a: range(3), size: 2, replace:False, p:[0.1,0.2,0.7]}))

将打印：

[ 2.  0.]
[ 2.  1.]
[ 0.  1.]
[ 2.  0.]
[ 2.  1.]
[ 0.  1.]
[ 2.  0.]

【讨论】：

使用tf.py_func 很糟糕，因为调用python 操作会极大地减慢计算速度。特别是如果您使用 GPU，则利用率可能会根据任务从 100% 下降到 5%。因为我认为没有新的操作可以做到这一点，所以最好是编写自定义 c++ 操作。但是，您可以通过迭代地从数组中采样一个元素，然后通过 tf.gather 之类的方式删除该元素来破解它。