深度学习基本概率分布教程_技术

本文为你介绍基本概率分布教程，大多数和使用 python 库进行深度学习有关。概率分布概述

共轭意味着它有共轭分布的关系。

在贝叶斯概率论中，如果后验分布 p（θx）与先验概率分布 p（θ）在同一概率分布族中，则先验和后验称为共轭分布，先验称为似然函数的共轭先验。共轭先验在这里（https://en.wikipedia.org/wiki/Conjugate_prior）。

多分类表示随机方差大于 2。

n 次意味着我们也考虑了先验概率 p（x）。

为了进一步了解概率，我建议阅读 (pattern recogniTIon and machine learning，Bishop 2006)。

分布概率与特征1.均匀分布（连续）代码：

https://github.com/graykode/distribuTIon-is-all-you-need/blob/master/uniform.py

均匀分布在 [a，b] 上具有相同的概率值，是简单概率分布。

2.伯努利分布（离散）代码： https://github.com/graykode/distribuTIon-is-all-you-need/blob/master/bernoulli.py

先验概率 p（x）不考虑伯努利分布。因此，如果我们对最大似然进行优化，那么我们很容易被过度拟合。

利用二元交叉熵对二项分类进行分类。它的形式与伯努利分布的负对数相同。

3.二项分布（离散）代码： https://github.com/graykode/distribuTIon-is-all-you-need/blob/master/binomial.py

参数为 n 和 p 的二项分布是一系列 n 个独立实验中成功次数的离散概率分布。

二项式分布是指通过指定要提前挑选的数量而考虑先验概率的分布。

4.多伯努利分布，分类分布（离散）代码： https://github.com/graykode/distribution-is-all-youneed/blob/master/categorical.py

多伯努利称为分类分布。

交叉熵和采取负对数的多伯努利分布具有相同的形式。

5.多项式分布（离散）代码： https://github.com/graykode/distribution-is-all-you-need/blob/master/multinomial.py 多项式分布与分类分布的关系与伯努尔分布与二项分布的关系相同。6.β分布（连续）代码： https://github.com/graykode/distribution-is-all-you-need/blob/master/beta.py

β分布与二项分布和伯努利分布共轭。

利用共轭，利用已知的先验分布可以更容易地得到后验分布。

当β分布满足特殊情况（α=1，β=1）时，均匀分布是相同的。