沿轴从 Tensorflow 中的张量采样答案

【问题标题】：Sample from a tensor in Tensorflow along an axis沿轴从 Tensorflow 中的张量采样
【发布时间】：2016-09-11 01:53:44
【问题描述】：

我有一个形状为(2,5,2) 的矩阵L。沿最后一个轴的值形成概率分布。我想对另一个形状为(2, 5) 的矩阵S 进行采样，其中每个条目都是以下整数之一：0, 1。例如，

L = [[[0.1, 0.9],[0.2, 0.8],[0.3, 0.7],[0.5, 0.5],[0.6, 0.4]],
     [[0.5, 0.5],[0.9, 0.1],[0.7, 0.3],[0.9, 0.1],[0.1, 0.9]]]

其中一个样本可能是，

S = [[1, 1, 1, 0, 1],
     [1, 1, 1, 0, 1]]

在上面的例子中分布是二项式的。不过一般L的最后一个维度可以是任意正整数，所以分布可以是多项式。

样本需要在 Tensorflow 计算图中高效生成。我知道如何使用 numpy 使用函数 apply_along_axis 和 numpy.random.multinomial 来做到这一点。

【问题讨论】：

标签： tensorflow

【解决方案1】：

您可以在此处使用tf.multinomial()。

您首先需要将输入张量整形为[-1, N]（其中N 是L 的最后一个维度）：

# L has shape [2, 5, 2]
L = tf.constant([[[0.1, 0.9],[0.2, 0.8],[0.3, 0.7],[0.5, 0.5],[0.6, 0.4]],
                 [[0.5, 0.5],[0.9, 0.1],[0.7, 0.3],[0.9, 0.1],[0.1, 0.9]]])

dims = L.get_shape().as_list()
N = dims[-1]  # here N = 2

logits = tf.reshape(L, [-1, N])  # shape [10, 2]

现在我们可以将函数tf.multinomial() 应用到logits：

samples = tf.multinomial(logits, 1)
# We reshape to match the initial shape minus the last dimension
res = tf.reshape(samples, dims[:-1])

【讨论】：

【解决方案2】：

使用tf.multinomial() 时要小心。该函数的输入应该是对数而不是概率分布。但是，在您的示例中，最后一个轴是概率分布。

【讨论】：